Segmentation automatique d'os métastatiques et impact sur la prédiction de la résistance à la rupture

Résumé : Les métastases osseuses se développent fréquemment chez les patients atteints d'un cancer et peuvent provoquer diverses complications. Parmi elles, les fractures pathologiques peuvent avoir un impact majeur sur les conditions de vie et la survie du patient. Les scores cliniques utilisés pour estimer le risque de fracture présentent tous des limites, qui peuvent être dépassées par des méthodes de simulation par éléments finis. La construction de ces modèles numériques repose sur une segmentation de l'os considéré à partir des images in-vivo du patient. Réalisée manuellement, la segmentation est fastidieuse et sa qualité dépend de l'opérateur. Les méthodes de segmentations automatiques permettent d'obtenir des résultats reproductibles rapidement mais dépendent de données annotées qu'il est difficile d'obtenir en nombre et qualité nécessaires à l'entraînement d'algorithmes fiables et robustes. De plus, la segmentation individuelle des métastases est particulièrement complexe du fait de leur variabilité. Des méthodes d'augmentation de données permettent d'accroître la quantité de données d'entraînement, mais ne permettent pas à elles seules d'augmenter substantiellement leur diversité. Pour faire face à ce problème, une autre approche consiste à générer des données pathologiques artificielles pour entraîner les réseaux de neurones. Pour cela, des modèles génératifs existent mais peuvent se heurter eux-mêmes à la problématique de manque de données. Dans ce contexte, les objectifs de cette thèse sont multiples. Dans un premier temps, nous proposons des méthodes robustes et précises de segmentation automatique des fémurs et des vertèbres in-vivo à partir de scans CT et nous évaluons l'influence des segmentations automatiques sur les résultats de simulations biomécaniques. Dans un second temps, nous proposons une méthodologie originale de génération de données métastasées réalistes s'appuyant sur les DPPM qui permet d'améliorer significativement l'entraînement des réseaux de neurones et les performances de segmentation des métastases en CT.

Jury :