Deep brain unsupervised anomaly detection model based on multimodality imaging

Doctorante : Daria ZOTOVA

Laboratoire INSA : CREATIS

Ecole doctorale : ED160 EEA

L'épilepsie touche environ 65 millions de personnes dans le monde, nécessitant pour certains une intervention chirurgicale dépendante de la localisation précise de la zone épileptogène. Cette thèse vise à améliorer la détection des lésions épileptogènes via un système de diagnostic assisté par ordinateur (CAD), en utilisant des données neuroimagerie multimodales. Elle propose l'utilisation de réseaux siamois non supervisés avec des modèles SVM à classe unique pour identifier les anomalies dans les scans cérébraux, initialement testés sur des IRM T1 et FLAIR.
Une contribution majeure est le développement de méthodes pour générer des images PET synthétiques à partir de scans IRM T1, améliorant les capacités de détection du système CAD et abordant le défi des modalités manquantes en utilisant ces images synthétiques comme remplacement des données PET réelles. Cette approche permet une intégration multimodale efficace pour la détection de zones épileptogènes.
La première partie de la thèse examine les avancées dans l'apprentissage profond pour l'imagerie médicale et les stratégies d'intégration des données. La seconde partie détaille les expériences sur la synthèse PET et l'amélioration de la performance du modèle CAD avec l'intégration des données PET synthétiques. Ce travail avance le domaine de l'imagerie médicale dans la recherche sur l'épilepsie et propose des pistes pour améliorer la détection des lésions et les résultats chirurgicaux.

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.

Unsupervised anomaly detection in neuroimaging: contributions to representation learning and density support estimation in the latent space. »

Doctorant : Nicolas PINON

Laboratoire INSA : CREATIS
Ecole doctorale : ED 160 : EEA (Electronique, Electrotechnique, Automatique)

This PhD thesis covers the topic of deep unsupervised anomaly detection (UAD) in neuroimaging. This research is partially grounded on the UAD model that was proposed in [Alaverdyan, MEDIA 2020], whose novelty was to perform the detection step in the latent representation space by adjusting density support model of the normative distribution. This model developed was applied to the detection of subtle epileptogenic zones in multiparametric MRI and evaluated on a private database. As a first part of this PhD, we optimize the architecture and hyperparameter setting of this UAD model, and evaluate its performance on different open datasets, including the non medical MVTec anomaly detection [Pinon, GRETSI 2023], the WMH challenge [Pinon, MIDL 2023], and the Parkinson's Progression Markers Initiative database [Ramirez, Pinon, MLCN 2021][Pinon, ISBI 2023]. This allows comparison with state of the art deep UAD methods, especially with the most common methods based on reconstruction error in the image space. The second main phase of this PhD work is to build on the limits of this model [Alaverdyan, MEDIA 2020] and propose original methodological contributions to 1) design patient specific models, relaxing the strong constraint to accurately coregister all control subjects and patients [Pinon, MIDL 2023], 2) provide a probabilistic detection framework to enable ensemble learning and probability calibration, 3) fuse the representation learning step and the outlier detection step, by proposing a novel end-to- end deep learning model.

Blood velocity reconstruction with contrast enhanced X-ray CT

Doctorant : Shusong HUANG

Laboratoire INSA : Creatis

Ecole doctorale : ED160 EEA

In this work, we aim to focus on blood flow reconstruction using the Computed Tomography (CT) technique. This non-destructive and non-invasive technique is broadly used in non-medical and medical clinical applications for the human body and brain. X- rays and Computed Tomography have been a breakthrough in the medical field to visualize the tissues and organs of a patient. However, in the past two decades, there are few research works concentrating on in vivo blood velocity measurement with X-ray CT. Blood flow velocity reconstruction with contrast enhanced X-ray CT is a complex inverse problem. The acquisition of 2D CT projections perpendicular to the major flow propagation direction is considered for the reconstruction of blood flow, with a tracer injected into the vessel. In order to solve the inverse problem of contrast-enhanced CT reconstruction of vascular blood flow, a function is minimized with a data term taken into account the projections coupled with a partial differential equation (PDE) describing the transport of the tracer used as a constraint. The PDE models the propagation of the contrast agent with a convection term depending on a flow velocity field.

The objectives of this work are blood velocity components reconstruction with X-ray CT with accelerated convergence, reduced calculation cost, and reduced radiation dose. To accomplish these objectives, the adjoint method is initially considered for solving the tomographic inverse problem with a constraint based on a PDE. Additionally, to accelerate convergence, the proper orthogonal decomposition (POD) method combined with the adjoint method is proposed in this work. Finally, the new Proper Orthogonal Decomposition-Deep Learning (POD-DL) approach for solving the considered inverse problem is investigated to reduce effectively the computation costs in our work. The effectiveness of proposed approaches for blood flow reconstruction is demonstrated by employing the blood velocity reconstruction in a simulation vessel.

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.

Deep learning based phase retrieval for X-ray phase contrast imaging

Doctorant : Kannara MOM

Laboratoire INSA : CREATIS
Ecole doctorale : ED160 : EEA Electronique Electrotechnique et Automatique

Le développement de sources de rayons X hautement cohérentes, telles que les installations de rayonnement synchrotron de troisième génération, a contribué de manière significative à l'avancement de l'imagerie à contraste de phase. Le degré élevé de cohérence de ces sources permet une mise en œuvre efficace des techniques de contraste de phase.
Le contraste de phase est une technique qui permet d'augmenter la sensibilité de plusieurs ordres de grandeur. Cette nouvelle technique d'imagerie a trouvé des applications dans un large éventail de domaines, notamment la science des matériaux, la paléontologie, la recherche sur les os, la médecine et la biologie.
Elle permet d’imager des échantillons faiblement absorbant, pour lesquels les méthodes traditionnelles basées sur l'absorption ne permettent pas d'obtenir un contraste suffisant. Plusieurs techniques d'imagerie sensibles à la phase ont été mises au point, dont l'imagerie basée sur la propagation, qui ne nécessite aucun équipement autre que la source, l'objet et le détecteur.
Bien que l'intensité puisse être mesurée à une ou plusieurs distances de propagation, l'information sur la phase est perdue et doit être estimée à partir de ces intensités, ou figures de diffraction, un processus appelé récupération de phase. Dans ce contexte, la récupération de phase est un problème inverse non linéaire mal posé.
Plusieurs méthodes ont été proposées pour récupérer la phase, soit en linéarisant le problème pour obtenir une solution analytique ou soit par des algorithmes itératifs.
L'objectif principal de cette thèse était d'étudier ce que les nouvelles approches d'apprentissage profond pourraient apporter à ce problème de récupération de phase. Divers algorithmes d'apprentissage profond ont été proposés et évalués pour résoudre ce problème. En particulier, le cas d'une distance unique, tout en prenant en compte l'information non-linéaire du modèle direct, a été considéré.

Intravascular manometry by clinical color Doppler

Doctorante : Samaneh CHOUPANI

Laboratoire INSA : CREATIS
Ecole doctorale : EDA162 MEGA

Assessment of the severity of arterial stenosis is critical for therapeutic decisions. Invasive methods using pressure wires to measure trans-stenotic pressure drops can have severe clinical side effects. Therefore, non-invasive methods using ultrasound imaging are preferable. This study aimed at introducing an ultrasound-based approach to estimate trans-stenotic pressure drops in significant arterial stenoses using clinical vascular color Doppler imaging. The proposed physics-constrained optimization method consists of two successive steps: 1) it recovers a regularized two-dimensional velocity vector field from the color Doppler velocity field, and 2) it derives relative pressures by integrating the fluid-dynamics Navier-Stokes equation using a finite difference method. We validated the innovative approach in silico using computational fluid dynamics and acoustics simulations and in vitro through particle image velocimetry and color Doppler experiments.

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).

 

.