Prédiction de l’efficacité de la chimiothérapie appliquée au cancer du sein par le traitement d’images et le Deep Learning

Breast cancer is one of the most common diseases in women around the world. This cancer is the leading reason for death in women aged 35 to 70 years old. The growth of cases of breast cancer, as well as a large number of imaging examinations carried out in recent years, provided the development and made it possible to automate several medical imaging techniques. Magnetic resonance imaging (MRI) exams present a great interest to radiologists. Indeed, MRI performs to have a temporal follow-up of the breast tumor thanks to the multiple information and sub-modalities produced by this robust medical imaging modality.In this thesis work, the primary purpose is to help oncologists and radiologists to predict the breast tumor response to chemotherapy. Technically, this could be made by comparing MRI scans before and after the 1st chemotherapy. Such predictions will help to make quick decisions, based on how a breast tumor responds to chemotherapy from the start of therapy.We conducted in-depth research in the literature related to classical imaging approaches, which led us to propose and implement a first technique called Parametric Response Map (PRM). This method is coming off on two primary steps: segmentation and three-dimensional registration of images acquired before and after the 1st chemotherapy. PRM allowed a voxel-by-voxel comparison of the tumor volume. This method produced an easy-to-read color map identifying intra-tumoral regions that responded to treatment (positive response), unresponsive regions (stable), and regions that experienced aggressiveness progression (negative response) indicating the percentage of each tumor's zone.Then, we used deep neural networks for segmenting tumor’s volumes and predicting their response to chemotherapy in an automatic way based on several databases provided by several international institutionsThe promising results of this study show an accuracy value of 89% using the PRM method, and an average accuracy of 93% using Deep Learning across multiple datasets. To our knowledge, these results put themselves above all the presented results in the literature. The standard reference used to validate all the proposed methods is the pathological complete response (pCR) obtained for each patient included in this study.Le cancer du sein est l’une des pathologies les plus fréquentes dans le monde entier. Cette maladie est la première cause de décès chez les femmes de 35 à 70 ans. La croissance des cas de ce type de cancer, ainsi que le grand nombre d’examens d’imagerie effectués dans les dernières années a permis de développer et d’automatiser de nombreuses techniques d’imagerie médicale. Les examens d’imagerie par résonance magnétique (IRM) constituent un grand intérêt pour les radiologues. Cette modalité permet d’avoir un suivi temporel de la tumeur du sein grâce au grand nombre d’informations produites par ses différentes sous-modalités.Dans ce travail, l’objectif principal est d’aider les cancérologues à prédire la réponse tumorale d’un cancer du sein à la chimiothérapie. Techniquement, cela peut s’effectuer par la comparaison des examens IRM d’avant et après la première chimiothérapie. Cela permet d’aider à prendre une décision rapide dès le début de la thérapie.Afin d’atteindre cet objectif, nous avons mené une recherche approfondie dans la littérature liée aux approches classiques d’imagerie. Cette recherche a permis de proposer et implémenter une première méthode appelée la cartographie de la réponse paramétrique (Parametric Response Map : PRM). Cette méthode se base sur deux étapes principales : la segmentation et le recalage tridimensionnel des images acquises avant et après la première chimiothérapie. Ceci permet d’obtenir une comparaison voxel par voxel du volume de la tumeur. Le résultat de la PRM est une cartographie en couleurs facile à lire. Cette carte permet d’identifier trois régions avec leurs pourcentages. Il s’agit des régions intra-tumorales ayant répondu au traitement (réponse positive), des régions n’ayant pas répondu (réponse stable) et des régions qui ont connu une progression d’agressivité (réponse négative).Ensuite, les techniques d’apprentissage profond par réseaux de neurones profonds (Deep Learning) sont proposées pour la segmentation du volume tumoral et la prédiction de la réponse d’un cancer du sein à la chimiothérapie. Afin d’automatiser ce processus, deux bases de données fournies par plusieurs instituts et hôpitaux internationaux ont été utilisées. Les résultats prometteurs de cette étude montrent une valeur de précision de 89% en utilisant la méthode PRM, et une moyenne de précision de 93% pour l’apprentissage profond. De plus, l’explication visuelle des résultats obtenus par le Deep Learning a montré une grande cohérence avec les résultats trouvés par les oncologues. Ces résultats se situent au-dessus de ce qui est présenté dans la littérature. La référence standard utilisée pour valider toutes les méthodes proposées est la réponse pathologique complète obtenue pour chaque patiente