Segmentation des ganglions lymphatiques axillaires en imagerie PET/CT dans le contexte du cancer du sein à l'aide d'une méthode hybride par modèles hiérarchiques et réseaux de neurones convolutifs

The objective of this thesis is to analyze the advantages of representing medical images of breast cancer patients by hierarchical models and to study the added value that these models can bring to a deep learning algorithm. We present a hybrid method that couples hierarchical models and deep learning approaches for automatic detection and segmentation of lymph node tumors in multimodal images (positron emission tomography, PET / X-ray CT, CT) to facilitate subsequent analysis by physicians. Staging of breast cancer is based on several prognostic factors, including axillary and supraclavicular lymph node analysis. Effective detection and segmentation of lymph node tumors from 3D PET/CT medical images is therefore of paramount importance. Hierarchical data representation, allows for efficient implementation in terms of computational time, as well as consistent management of image regions with different interpretation possibilities (spectral, textural and morphological). Thus, hierarchical models allow representing regions corresponding to tumors in the PET image as related regions, and extracting "region" features for further analysis. We build on a preliminary study based on a random-forest paradigm that provides a list of "region" features that are highly relevant to the detection of these tumors. Relevant features calculated from the PET slice tree are modeled as "region" feature maps. To this end, we propose a flattening process that processes and transforms the graph-oriented information into three-dimensional volumes. A multi-channel 3D convolutional neural network architecture composed of two encoders and one decoder is built. This convolutional neural network takes as input bimodal images (PET/CT) and feature maps in a unified way. We propose an experimental study on the impact of different factors on the CNN architecture and the features involved.L'objectif de cette thèse est d'analyser les avantages d'une représentation des images médicales de patientes atteintes de cancer du sein par des modèles hiérarchiques et d'étudier la plus-value que ces modèles peuvent apporter à un algorithme d'apprentissage profond. Nous présentons une méthode hybride qui couple des modèles hiérarchiques et des approches d'apprentissage profond pour la détection et la segmentation automatique des tumeurs des ganglions lymphatiques dans des images multimodales (tomographie par émission de positrons, TEP / tomodensitométrie à rayons X, CT) afin de faciliter l'analyse ultérieure effectuée par les médecins. La stadification du cancer du sein repose sur plusieurs facteurs pronostiques, dont l'analyse des ganglions lymphatiques axillaires et supraclaviculaires. Une détection et une segmentation efficaces des tumeurs des ganglions lymphatiques à partir d'images médicales 3D PET/CT sont donc d'une importance capitale. La représentation hiérarchique des données, permet une mise en œuvre efficace en termes de temps de calcul, ainsi qu'une gestion cohérente des régions de l'image avec différentes possibilités d'interprétation (spectrale, texturale et morphologique). Ainsi, les modèles hiérarchiques permettent de représenter les régions correspondant aux tumeurs dans l'image TEP comme des régions connexes, et d'extraire des caractéristiques "régions" pour une analyse ultérieure. Nous nous appuyons sur une étude préliminaire basée sur un paradigme de random-forest qui fournit une liste de caractéristiques "régions" hautement pertinentes pour la détection de ces tumeurs. Les caractéristiques pertinentes calculées à partir de l'arbre des coupes de la TEP sont modélisées sous forme de cartes de caractéristiques "régions". À cette fin, nous proposons un processus d'aplatissement qui permet de traiter et transformer les informations orientées graphe en volumes tridimensionnels. Une architecture de réseau de neurones convolutif 3D multicanaux composée de deux encodeurs et d'un décodeur est construite. Ce réseau de neurones convolutif prends en entrée des images bimodales (PET/CT) et les cartes de caractéristiques de manière unifiée. Nous proposons une étude expérimentale sur l'impact de différents facteurs concernant l'architecture CNN et les caractéristiques impliquées