CE45 - Mathématiques et sciences du numérique pour la biologie et la santé

Classification Automatique d'Examens Cardiaques Après Injection de produit de contraste – ACCECIT

T. Arega and S. Bricq, Automatic Myocardial Scar Segmentation from Multi-sequence Cardiac MRI Using Fully Convolutional Densenet with Inception and Squeeze-Excitation Module. Myocardial Pathology Segmentation Combining Multi-Sequence Cardiac Magnetic Resonance Images, First Challenge, MyoPS 2020, Held in Conjunction with MICCAI 2020, Oct 2020, Lima, Peru. DOI : 10.1007/978-3-030-65651-5_10

Résumé de soumission

Chaque jour, un grand nombre de données IRM cardiaques sont acquises, générant une masse croissante de données. L'analyse manuelle de ces images est une tâche longue et fastidieuse. Il est donc nécessaire de disposer d'outils fiables pour segmenter automatiquement les régions d'intérêt et extraire les paramètres cliniques de ces images. Dans ce projet, nous nous concentrons sur les IRM cardiaques de cartographie T1 et de rehaussement tardif au gadolinium (LGE).
L'imagerie LGE a été largement utilisée pour la détection et l'évaluation des cicatrices du myocarde et de la présence de fibrose en IRM cardiaque. Elle se base sur le fait qu'il existe une différence d'intensité du signal entre le myocarde normal et le myocarde fibreux. La LGE est une technique très précise pour détecter un infarctus du myocarde ou une obstruction microvasculaire. D'autres maladies du myocarde telles que la myocardite, l'amylose, la cardiomyopathie hypertrophique (HCM), la cardiomyopathie dilatée (DCM) montrent également différents patterns de LGE soulignant l'utilité de la LGE dans le diagnostic ou le pronostic de ces maladies.
L'imagerie LGE est un standard de référence pour la quantification de la fibrose focale du myocarde, mais dans certaines cardiomyopathies, la fibrose est souvent diffuse et ne peut pas être quantifiée sur des images LGE.

Pour surmonter ce problème, des techniques de cartographie T1 ont été développées pour quantifier la fibrose diffuse du myocarde et caractériser les tissus. En mesurant les valeurs T1 du myocarde avant et après l'administration de l'agent de contraste, la fraction de volume extracellulaire (ECV) peut être calculée.

L’objectif de ce projet est de combiner automatiquement les informations d’images de cartographie LGE et T1 en développant un nouvel outil d’intelligence artificielle combinant statistique bayésienne et apprentissage profond pour détecter des zones de fibrose ou des tissus anormaux, pour classifier automatiquement les différentes pathologies et identifier les cas normaux.

Cet objectif est confronté à plusieurs problèmes:
- Les images peuvent être acquises sur différents sites avec différents scanners IRM et différents champs magnétiques (1,5T ou 3T), conduisant à des données hétérogènes.
- Les images LGE doivent être automatiquement segmentées quelle que soit la pathologie dont souffre le patient.
- Les contours du cœur doivent être automatiquement détectés sur les images de cartographie T1, quelle que soit la pathologie, pour extraire une valeur T1 robuste et normalisée.
- Les informations provenant des trois séries de données (images LGE, cartographie T1 avant et après l'injection d'agent de contraste) doivent également être combinées pour la classification de la pathologie.

Les objectifs du projet sont multiples:
- Objectif A: Nous allons d'abord collecter et gérer la base de données contenant trois séries de données (images LGE, cartographie T1 avant et après l'injection d'agent de contraste) pour chaque pathologie étudiée (infarctus du myocarde, DCM, HCM, myocardite) ainsi que pour les cas normaux .
- Objectif B: Nous allons développer des outils d'apprentissage profond pour segmenter automatiquement les contours du cœur, détecter les zones de fibrose ou les tissus anormaux, extraire les paramètres physiologiques et classer les examens en fonction de la pathologie. À cette fin, nous étudierons des méthodes d’apprentissage profond bayésiennes associant des statistiques bayésiennes à des réseaux profonds pour obtenir de véritables estimations de l’incertitude des réseaux. Des méthodes classiques d'apprentissage profond seront également testées pour comparer les résultats et quantifier les améliorations de la méthode proposée.
- Objectif C: Enfin, nous mettrons nos outils à la disposition des autres équipes universitaires en déployant une plate-forme Web. Les outils développés pour les objectifs précédents seront intégrés à la plateforme.

Coordination du projet

Stéphanie Bricq (Imagerie et Vision Artificielle - EA 7535)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

ImViA Imagerie et Vision Artificielle - EA 7535

Aide de l'ANR 287 928 euros
Début et durée du projet scientifique : décembre 2019 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter