Approches d’apprentissage profond pour la segmentation et la reconstruction de l’arbre vasculaire hépatique et des voies biliaires

Contexte et objectifs applicatifs

Ce stage de recherche constitue le tremplin d’une nouvelle collaboration entre le laboratoire Creatis et les Hospices Civils de Lyon (HCL) avec une poursuite en thèse de doctorat envisagée à son issue. Le projet se donne l’objectif de développer des méthodes innovantes d’analyse d’images, s’appuyant sur les avancées récentes en intelligence artificielle et en apprentissage profond, afin d’améliorer la modélisation 3D des structures vasculaires hépatiques (système porte, veines sus-hépatiques, artères hépatiques) ainsi que des voies biliaires. L’objectif est de proposer des outils fiables, précis et intégrables dans la pratique clinique, en particulier dans les protocoles d’acquisition multiphasiques de TDM injectée et de bili-IRM, permettant une visualisation personnalisée de l’anatomie hépatique du patient. Ces outils devront faciliter l’analyse préopératoire de la chirurgie hépatique et la transplantation, et contribuer à la prise de décision médicale en réduisant la charge de travail des cliniciens et en améliorant la reproductibilité des évaluations.

Contexte et objectifs méthodologiques

Au cours des dernières années, la segmentation automatique du foie et de ses structures internes a bénéficié des progrès importants, en particulier grâce au développement des méthodes d’apprentissage profond. Les architectures de type UNet [1] et leurs dérivés récents [2] constituent aujourd’hui le socle de la majorité des approches, avec des performances élevées pour la segmentation du parenchyme hépatique, permettant une estimation volumétrique fiable en pratique préopératoire [3, 4]. En revanche, la segmentation des structures vasculaires hépatiques demeure plus complexe en raison de leur organisation arborisée et entrelacée, puis de leur variabilité interindividuelle notamment en cas de cirrhose ou de tumeurs volumineuses, ce qui se traduit par des performances de segmentation plus hétérogènes selon les études [4, 5]. Cette difficulté est encore plus marquée pour les voies biliaires, dont le faible contraste en imagerie TDM nécessite souvent un recours à la cholangiopancréatographie par résonance magnétique (MRCP).
La plupart des travaux analysent un seul arbre vasculaire ou biliaire dans une seule modalité d’imagerie [4-7]. Pour répondre au besoin applicatif, l’objectif de notre projet est de segmenter et reconstruire tous les arbres vasculaires et biliaires en imagerie multiphasique et multimodale (TDM hépatique et IRM biliaire) pour des structures à des échelles allant de moins de 2 mm (voies biliaires) jusqu'à plus de 1 cm (veine cave). La difficulté principale consiste à préserver la connectivité, la continuité et la topologie de ces arbres malgré le bruit d’acquisition, le volume partiel et un contraste faible. Quelques travaux récents se sont intéressés à la continuité et la cohérence topologique pour la segmentation des veines hépatiques [7] et des voies biliaires [6]. 
Notons que l’indisponibilité des jeux d’images annotées fournissant des références pour toutes les structures ciblées constitue un obstacle important pour l’apprentissage supervisé. En effet, les jeux publics disponibles [8] ne donnent souvent qu’un seul arbre vasculaire mêlant plusieurs types de vaisseaux. 

Programme de recherche

Suite à une étude bibliographique des méthodes de segmentation et de reconstruction des vaisseaux, l’étudiant⋅e se familiarisera avec les images hépatiques à travers les jeux de données publiques disponibles parmi lesquels notons le jeu VSNet [7] qui se compose d’environ 300 images accompagnées des annotations des veines hépatiques et de la veine porte, et le jeu LiVS [8] qui met à disposition des annotations parcimonieuses de la veine porte pour environ 500 images. Ces données seront complétées par des images qui seront fournies par les HCL au cours du projet. Afin de se familiariser avec les structures hépatiques ciblées, l’étudiat⋅e expérimentera avec les méthodes de segmentation interactives à l’aide de 3D Slicer et ses plugins de segmentation des vaisseaux tels que RVesselX et VSMOD.
Les méthodes de segmentation automatiques par apprentissage profond seront ensuite étudiées sur une modalité et des structures cibles choisies. Elles constituent l’objectif méthodologique principal de ce stage de recherche. Une première approche consistera à mettre en place et évaluer les performances de segmentation d’un réseau UNet classique en apprentissage supervisé [9]. Les spécificités des méthodes récentes [6, 7] seront étudiées afin de décider de la pertinence d’introduire des contraintes topologiques [10, 11] assurant la connectivité globale de l’arbre vasculaire en plus des contraintes locales [12] modélisant la géométrie locale des vaisseaux. La reconstruction des arbres vasculaires individuels complets nécessitera vraisemblablement une analyse et un post-traitement des segmentations produites,  comportant potentiellement des discontinuités et des faux positifs. Cette reconstruction pourrait exploiter les propriétés géométriques de chaque structure comme a priori.

Profil recherché

Titulaire de M1, ou M2 recherche en cours avec des acquis solides en mathématiques appliquées, analyse d'images et informatique, ainsi que de bonnes compétences en programmation. Une connaissance théorique et pratique des méthodes d'apprentissage profond est nécessaire. Les connaissances en imagerie médicale sont un plus.

Candidature

Envoyer CV et relevés de notes récents par mail.

Gratification

Selon la législation en vigueur, ~640 €/mois.

Bibliographie

  1. Çiçek Ö, et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation. MICCAI. 2016.
  2. Xia Q, et al. A comprehensive review of deep learning for medical image segmentation. Neurocomputing. 2025.
  3. Wei D, et al. A review of advancements and challenges in liver segmentation. Med Image Anal. 2024.
  4. Sethia K, et al. Advances in liver, liver lesion, hepatic vasculature, and biliary segmentation. Artif Intell Rev. 2025.
  5. Song Z, et al. Liver vessel segmentation using deep learning. Heliyon. 2024.
  6. Zhou G, et al. Tagnet: A transformer-based axial guided network for bile duct segmentation. Biomedical Signal Processing and Control. 2023.
  7. Xu J, et al. VSNet: Vessel Structure-aware Network for hepatic and portal vein segmentation. Medical Image Analysis. 2025.
  8. Gao Z, et al. Laplacian salience-gated feature pyramid network for accurate liver vessel segmentation. IEEE Trans Med Imag. 2023.
  9. Isensee, Fabian, et al. "nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation." Nature methods 18.2 (2021): 203-211.
  10. Shit S, et al. clDice-a novel topology-preserving loss function for tubular structure segmentation. IEEE CVF. 2021.
  11. Kirchhoff Y, et al. Skeleton recall loss for connectivity conserving and resource efficient segmentation of thin tubular structures. ECCV. 2024.
  12. Kervadec H, et al. Boundary loss for highly unbalanced segmentation. Med Img Anal. 2021.