Apprentissage profond pour la segmentation et la détection automatique en imagerie multi-modale : application à l'oncologie hépatique

Pour caracteriser les lesions hepatiques, les radiologues s’appuient sur plusieurs images acquises selon differentes modalites (differentes sequences IRM, tomodensitometrie, etc.) car celles-ci donnent des informations complementaires. En outre, les outils automatiques de segmentation et de detection leur sont d’une grande aide pour la caracterisation des lesions, le suivi de la maladie ou la planification d’interventions. A l’heure ou l’apprentissage profond domine l’etat de l’art dans tous les domaines lies au traitement de l’image medicale, cette these vise a etudier comment ces methodes peuvent relever certains defis lies a l’analyse d’images multi-modales, en s’articulant autour de trois axes : la segmentation automatique du foie, l’interpretabilite des reseaux de segmentation et la detection de lesions hepatiques. La segmentation multi-modale dans un contexte ou les images sont appariees mais pas recalees entre elles est un probleme peu aborde dans la litterature. Je propose une comparaison de strategies d’apprentissage proposees pour des problemes voisins, ainsi qu’une methode pour integrer une contrainte de similarite des predictions a l’apprentissage. L’interpretabilite en apprentissage automatique est un champ de recherche jeune aux enjeux particulierement importants en traitement de l’image medicale, mais qui jusqu’alors s’etait concentre sur les reseaux de classification d’images naturelles. Je propose une methode permettant d’interpreter les reseaux de segmentation d’images medicales. Enfin, je presente un travail preliminaire sur une methode de detection de lesions hepatiques dans des paires d’images de modalites differentes.