Conception et évaluation clinique d’un système d’aide au diagnostic (CAD) pour l’imagerie IRM multi-séquences du cancer de la prostate

Conception et évaluation clinique d’un système d’aide au diagnostic (CAD) pour l’imagerie pour l’imagerie IRM multi-séquences du cancer de la prostate

Contexte:
Le laboratoire CREATIS développe des systèmes d’aide au diagnostic (CAD en anglais pour ‘Computer Aided Diagnosis’) pour l’imagerie du cancer. Ces outils logiciels sont conçus pour aider les médecins dans leur diagnostic en fournissant une cartographie des zones suspectes de l’image. Le principe est d’extraire des caractéristiques de l'image puis d’élaborer un modèle de prédiction à partir d'une base de données d'apprentissage. Ce modèle empirique permet ensuite de quantifier  la probabilité qu’une zone d’intérêt ou qu’un voxel d’une image test soit pathologique.

Nous avons initié dans ce contexte une collaboration avec le professeur Rouvière, radiologue affilié à l’unité Inserm U1032 pour développer un système d’aide au diagnostic du cancer de la prostate basé sur la fusion d’images IRM multi-séquences. L’étude repose sur une base de données clinique qui, pour chacun des quelques 50 patients traités par prostatectomie radicale, contient les images IRM multi-séquences acquises avant l’opération et, sur chacune des séquences, la description de toutes les zones malignes et suspectes (contourage sur l’image, positionnement anatomique, taille, forme, signal, nature histologique etc…). Un premier prototype, développé dans le cadre d’une thèse, est en cours d’évaluation clinique. Le système proposé repose sur l’extraction d’environ 140 caractéristiques de l’image, incluant des paramètres statistiques, structurels et fonctionnels.  Nous avons considéré dans un premier temps un système expert capable d’analyser des régions de l’image (ROIs) pointées par le médecin. Les performances obtenues sont très prometteuses (aire sous la courbe ROC de l’ordre de 0.82 pour la discrimination des régions cancéreuses et des régions suspectes mais bégnines).

Objectif et verrous:
L’objectif de ce projet est de réaliser une cartographie des zones cancéreuses, c’est-à-dire de passer d’un système expert qui analyse une zone de l’image pointée par le médecin à un système qui traite de manière automatique toute l’image, détecte et quantifie toutes les zones suspectes.
La transposition directe des outils développés pour l’approche ROI risque de générer un nombre élevé de fausses détections, correspondant à l’étiquetage erroné de zones normales de l’image comme cancer. Ces fausses détections, si elles sont trop nombreuses, complexifient la tâche du médecin et réduisent ainsi l’apport du système CAD.
D’autre part, bien que les images IRM des différentes séquences soient acquises de manière séquentielle lors d’un même examen, un léger mouvement du patient, le gaz présent à l’acquisition ou la sonde, peuvent induire un léger décalage des images ou des petites distorsions lors de l’acquisition. Il faudra donc de résoudre deux problèmes : recaler les images IRM en intra-séquence (ex. : pour la séquence dynamique, recaler tous les temps d’acquisition entre eux) et en inter-séquence (recaler un volume acquis en pondération T1 avec un autre acquis en pondération T2 par exemple).

Méthodologie:
Ce stage s’organisera en deux temps. Dans un premier temps, l’étudiant devra :

  • Réaliser un état de l’art des systèmes CAD basés sur une approche multimodale ou multi-séquence
  • Il devra ensuite prendre en main les outils développés au laboratoire CREATIS ainsi que la base de données cliniques.
  • Il pourra proposer d’enrichir la base d’apprentissage par l’inclusion de nouvelles caractéristiques discriminantes. Le médecin s’intéresse en particulier à des critères de symétrie, de forme et de localisation des zones suspectes, qui n’ont pas été considérés dans l’approche ROI.
  • Il proposera et implémentera différentes méthodes de réduction des faux positifs à partir de solutions proposées dans la littérature ou développées au laboratoire.
  • Il devra ensuite coder de manière optimale la chaîne de traitement d’images afin de fournir un algorithme adapté à la manipulation de bases d’images 3D et rapide (temps de calcul adaptés au prototypage). Il pourra déployer son code sur des grilles de calcul distribué disponibles via CREATIS.
  • Il évaluera enfin les performances de détection de différents prototypes qu’il aura développés, en s’appuyant sur des outils d’évaluation de type analyse ROC.

Dans un second temps, l’étudiant devra :

  • Réaliser une étude bibliographique des méthodes de recalage déjà développées et employées pour résoudre ce problème ou des problèmes similaires
  • Sélectionner les méthodes les plus pertinentes et les tester sur notre base de données clinique. La validation pourra être réalisée grâce aux annotations manuelles des deux compartiments prostatiques réalisées par le radiologue. Ce travail pourra être implémenté en Matlab ou en un langage interfaçable avec Matlab (C, C++ ou Python).

Compétences requises:

  • Traitement numérique de l’image, algorithmes de classification
  • Programmation C/C++/Matlab
  • Motivation
  • Autonomie

Bibliographie:
E. Niaf, O. Rouvière, and C. Lartizien, "Computer-aided diagnosis for prostate cancer detection in the peripheral zone via multisequence MRI", SPIE Medical Imaging 2011, vol. 7963, Orlando, Florida, 2011.
E. Niaf, R. Flamary, C. Lartizien, and S. Canu, "Handling uncertainties in SVM classification", IEEE Workshop on Statistical Signal Processing, pp. 757-760, 2011.

Rémunération:
436 euros par mois