Architectures d'apprentissage profond pour la détection automatique de segments myocardiques viables

Résumé de thèse : Architectures d'apprentissage en profondeur pour la détection automatique de segments myocardiques viables. La segmentation précise du myocarde en LGE-IRM est un objectif important pour l'aide au diagnostic des patients infarctus. Néanmoins, la délimitation manuelle des volumes cibles prend du temps et dépend de la variabilité intra- et inter-observateur. Cette thèse vise à développer des méthodes efficaces basées sur l'apprentissage profond pour segmenter automatiquement les tissus myocardiques (myocarde sain, infarctus du myocarde et obstruction microvasculaire) sur LGE-IRM. À cet égard, nous avons d'abord proposé un modèle 2.5D SegU-Net basé sur un cadre de fusion (U-Net et SegNet) pour apprendre différentes représentations de caractéristiques de manière adaptative. Ensuite, nous avons étendu à de nouvelles architectures 3D pour bénéficier d'indices de profondeur supplémentaires. Dans un deuxième temps, nous avons proposé de segmenter les structures anatomiques à l'aide du module d'attention du bloc résiduel initial et du bloc convolutif et des régions malades à l'aide de l'auto-encodeur 3D pour perfectionner la forme du myocarde. A cet effet, un terme de pénalité de forme préalable est ajouté à l'architecture 3D U-Net. Enfin, nous avons proposé dans un premier temps de segmenter la cavité ventriculaire gauche et le myocarde sur la base du no-new-U-Net et dans un second temps d'utiliser des réseaux d'inclusion et de classification a priori pour maintenir les contraintes topologiques des tissus pathologiques au sein du myocarde pré-segmenté. Nous avons introduit une phase de décision post-traitement pour réduire l'incertitude du modèle. Les performances de pointe des méthodes proposées sont validées sur l'ensemble de données EMIDEC, comprenant 100 images d'entraînement et 50 images de test de patients sains et infarctus. Des évaluations empiriques complètes montrent que tous nos algorithmes ont des résultats prometteurs.Thesis abstract: Deep learning architectures for automatic detection of viable myocardiac segmentsAccurate myocardial segmentation in LGE-MRI is an important purpose for diagnosis assistance of infarcted patients. Nevertheless, manual delineation of target volumes is time-consuming and depends on intra- and inter-observer variability. This thesis aims at developing efficient deep learning-based methods for automatically segmenting myocardial tissues (healthy myocardium, myocardial infarction, and microvascular obstruction) on LGE-MRI. In this regard, we first proposed a 2.5D SegU-Net model based on a fusion framework (U-Net and SegNet) to learn different feature representations adaptively. Then, we extended to new 3D architectures to benefit from additional depth cues. In a second step, we proposed to segment the anatomical structures using inception residual block and convolutional block attention module and diseased regions using 3D Auto-encoder to perfect myocardial shape. To this end, a prior shape penalty term is added to 3D U-Net architecture. Finally, we proposed first segment the left ventricular cavity and the myocardium based on the no-new-U-Net and second use a priori inclusion and classification networks to maintain the topological constraints of pathological tissues within the pre-segmented myocardium. We have introduced a post-processing decision phase to reduce the uncertainty of the model. The state-of-the-art performance of the proposed methods is validated on the EMIDEC dataset, comprising 100 training images and 50 test images from healthy and infarcted patients. Comprehensive empirical evaluations show that all of our algorithms have promising results