Traitement Ouvert de données PACS – TOPACS

Le projet TOPACS vise l'analyse à grande échelle d'images 3D stockées dans les hôpitaux. L'objectif principal final est une étude à grande échelle de l'anatomie Humaine (anatomie computationnelle). Le défi principal de ce projet est la grande quantité de données à traiter, et une contrainte forte est le respect de l'anonymat des individus imagés. Pour résoudre ce problème, l'extraction de points clés dans le images 3D est proposée. En effet, les points clés sont une forme de résumé compact des images, qui contient principalement les régions caractéristiques. Chaque point clé est associé à un descripteur qui permet de décrire le voisinage d'un point, et une comparaison efficace peut-être faite entre les différents points clés en calculant la distance entre les descripteurs. Nous projetons de traiter plus de 10000 images à l'issue du projet TOPACS, qui se découpe en quatre parties:
La première partie concerne l'extraction de points clés dans les images médicales. Pour les images 2D, de nombreuses approches ont été proposées pour l'extraction de points clés (par exemple SIFT, SURF, KAZE) et les progrès de l'apprentissage profond ont permis la proposition de descripteurs appris encore plus performants (par exemple LIFT). Dans le domaine de l'imagerie médicale 3D, peu de travaux existent. Dans cette première tâche, nous proposerons de nouvelles approches d'extraction de points clés, étudiant à la fois les approches classiques et les approches par apprentissage. Les descripteurs proposés pourront offrir des propriétés spécifiques à l'imagerie médicale : robustesse à la variabilité inter-individu, possibilité de comparaison entre différentes modalités. Nous prévoyons l'extraction d'images dans les hôpitaux de Lyon, Saint-Étienne et Genève.
La deuxième partie proposera de nouvelles approches de recalage et de segmentation à l'aide de points clés. Un verrou est le recalage à grande échelle de groupes d'images. En effet, il semble difficile de pouvoir proposer un modèle moyen de corps humain, tant la variabilité inter-individu est importante. Il semble plus judicieux de recaler toutes les images ensemble, sans choisir une référence qui biaise les mesures anatomiques. Les algorithmes actuels permettent un recalage d'environ 100 images en temps raisonnable. Notre objectif est donc de proposer des approches de recalage de groupes avec des capacités beaucoup plus importantes. Cette tâche abordera aussi la segmentation d'images par extraction de points d'intérêts, qui est un sujet encore peu exploré.
La troisième partie portera sur la construction de représentations statistiques de larges populations ainsi que sur l'inférence au niveau du sujet unique. Des techniques d'apprentissage de variétés seront considérées pour capturer les variations normales et pathologiques en termes de géométries et d’apparence. Des méthodes de classification et de régression sur des variétés seront ensuite développées pour en déduire des prédictions au niveau individuel.
La quatrième partie concerne les implications médicales du projet. Une première tâche concerne l'extraction de données dans les trois hôpitaux concernés. Un ordinateur sera connecté directement à l'intérieur du réseau.. Nous projetons principalement l'extraction d'informations à partir d'images tomodensitométriques (CT) et IRM. Une deuxième tâche concerne l'application des études de cohortes à des problématiques médicales précises, proches de la médecine légale : estimation du profil d'un individu inconnu (age, sexe, etc...) et estimation de la date du décès. Une troisième tâche sera l'établissement d'un portail en ligne permettant l'utilisation des nouveaux algorithmes (recalage et segmentation).
D'un point de vue général, le projet TOPACS propose de contribuer au maximum à la science ouverte, en publiant à la fois les algorithmes de traitement que les données extraites des hôpitaux, tout en préservant l'anonymat des données individuelles présentes dans les données.