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

Modélisation de la hiérarchie entre descripteurs cardiaques par apprentissage automatique – MIC-MAC

Modélisation de la hiérarchie entre descripteurs cardiaques par apprentissage automatique

L’apprentissage de représentation et en particulier l’apprentissage non-supervisé permettent la découverte de connaissances et la stratification de risque dans des bases de données médicales, mais doivent résoudre des points clés en termes d’intégration de données. Les descripteurs de données sont nombreux, peuvent être de haute dimension et de types hétérogènes, et leur combinaison n’est pas triviale. MIC-MAC vise à améliorer substantiellement l’analyse des images médicales sur ces aspects.

Enjeux et objectif

Le projet vise à revisiter la représentation des maladies à partir de l’imagerie médicale, et ainsi améliorer le suivi et la stratification de risque à la fois pour des individus et des groupes de patients. Il propose d’abord de revisiter les approches d’intégration de données en prenant en compte une hiérarchie existante dans ces données, puis d’apprendre explicitement une telle hiérarchie depuis les données, prenant en compte à la fois le gain en connaissances apporté par de nouveaux descripteurs mais aussi les coûts reliés au contexte clinique et au traitement des données.<br />Le projet est centré sur les applications en imagerie cardiaque, avec l’exploration rétrospective d’études existantes en insuffisance cardiaque, provenant de protocoles d’imagerie courants (résonance magnétique et échocardiographie), où des efforts seront spécifiquement dédiés au transfert et à l’interprétation cliniques, via le développement d’outils logiciels pratiques pour naviguer à travers les données complexes et les résultats.

-

-

-

Articles de revue:
1. Duchateau N, King A, De Craene M. Machine learning approaches for myocardial motion and deformation analysis. Frontiers in Cardiovascular Medicine 2020;6:190.

Articles de conférences:
1. Di Folco M, Guigui N, Clarysse P, Moceri P, Duchateau N. Investigation of the impact of normalization on the study of interactions between myocardial shape and deformation. Proc. Int. Conf. on Functional Imaging and Modeling of the Heart (FIMH), LNCS 2021. In press.
2. Mom K, Clarysse P, Duchateau N. Population-based personalization of geometric models of myocardial infarction. Proc. Int. Conf. on Functional Imaging and Modeling of the Heart (FIMH), LNCS 2021. In press.

Résumés de conférences:
1. Duchateau N, Viallon M, Petrusca L, Clarysse P, Belle L, Croisille P. Pixel-wise statistical analysis of lesion patterns: a fresh look at immediate vs. delayed stenting of the Minimalist Immediate Mechanical Intervention approach (MIMI) in acute STEMI. Society for Cardiovascular Magnetic Resonance (SCMR) congress. 2021.

Les récentes avancées en apprentissage automatique redéfinissent notre façon d’appréhender la collection de données et leur traitement. Des risques émergent à propos de l’exploration de larges bases de données pour des applications médicales, car la compréhension des pathologies et la prise de décisions sont porteurs de challenges avancés pour les méthodes computationnelles. L’apprentissage de représentation et en particulier l’apprentissage non-supervisé sont des stratégies appropriées pour la découverte de connaissances et la stratification de risque dans des bases de données médicales, mais doivent résoudre des points clés en termes d’intégration de données. Les descripteurs de données sont nombreux, et peuvent être de haute dimension et de types hétérogènes. Par ailleurs, leur combinaison n’est pas triviale. Les méthodes actuelles considèrent l’ensemble des descripteurs au même niveau, ce qui est fortement critique en termes d’efficacité et d’interprétabilité, et limite ainsi la découverte de connaissances.
MIC-MAC vise à améliorer substantiellement l’analyse des images médicales sur ces aspects. Le projet propose d’abord de revisiter les approches d’intégration de données, avec de nouvelles méthodologies qui prennent en compte une hiérarchie existante dans ces données. Ensuite, il poussera ces développements pour explicitement apprendre ces hiérarchies depuis les données. Cet apprentissage ne considèrera pas seulement le gain en connaissances apporté par de nouveaux descripteurs, mais aussi les coûts reliés au contexte clinique et au traitement des données. Cette approche est hautement originale et sous-explorée, malgré son importance cruciale en santé. Finalement, des efforts seront spécifiquement dédiés au transfert et à l’interprétation cliniques, avec le développement d’outils logiciels pratiques pour naviguer à travers les données complexes et les résultats.
Le projet sera centré sur les applications cardiaques, qui représentent le parfait champ d’application pour booster son succès, étant donnée l’expertise avancée du porteur au sein des communautés méthodologique et clinique. Il prévoit l’exploration rétrospective de larges études existantes en insuffisance cardiaque, provenant de protocoles d’imagerie courants (résonance magnétique et échocardiographie). Ainsi, il bénéficiera fortement d’un environnement idéal au sein de l’institution d’accueil, avec une expertise avancée sur les chaînes de traitement des images médicales pour les applications cardiaques, et la participation de partenaires cliniques renommés venant de l’extérieur, ayant un accès à de larges bases de données complémentaires.
Le projet est structuré en quatre axes de travail : les deux premiers sont méthodologiques et viseront de nouveaux développements pour intégrer hiérarchiquement des données de haute dimension (WP1) et apprendre cette hiérarchie depuis les données tout en prenant en compte les coûts liés à leur contexte (WP2). Le WP3 est lui dévoué à l’application clinique, avec des aspects de pré-traitement et développement logiciel qui sont fondamentaux pour la partie méthodologique. Enfin, le WP4 servira à la supervision scientifique et des données tout le long du projet.
MIC-MAC est une opportunité unique de renforcer la recherche menée par le porteur tant sur les aspects méthodologiques (l’analyse statistique de données multi-paramétriques en haute dimension) qu’applicatifs (imagerie cardiaque), et de développer ses capacités à porter des recherches. Revisiter les schémas d’intégration de données et considérer les coûts réels liés aux données aura un fort impact sur la collection des données, et la conception d’algorithmes d’apprentissage machine au-delà de l’application médicale. Naturellement, l’impact sera maximum dans le domaine de la santé, grâce aux efforts prévus pour faire bénéficier la communauté clinique de méthodes intuitives et interprétables.

Coordination du projet

Nicolas Duchateau (CENTRE DE RECHERCHE EN ACQUISITION ET TRAITEMENT D'IMAGES POUR LA SANTE)

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

CREATIS CENTRE DE RECHERCHE EN ACQUISITION ET TRAITEMENT D'IMAGES POUR LA SANTE

Aide de l'ANR 250 560 euros
Début et durée du projet scientifique : septembre 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