Analyses quantitatives de l'imagerie thoracique tomodensitométrique dans des maladies bronchiques et du parenchyme pulmonaire en relation avec des troubles fonctionnels respiratoires : approches automatisées basées sur l'intelligence artificielle

Quantitative analyses of structural lesions in thoracic tomodensitometric imaging of airways and lung parenchyma are now possible with computer-aided diagnostic tools (CAD). Underlying physiopathological mechanisms can also be better deciphered using artificial intelligence tools and the radiomic approach. In this PhD thesis, we have applied CAD, machine learning and deep-learning tools to build severity scores for primary ciliary dyskinesia (PCD), and to predict the occurrence of chronic lung allograft dysfunction (CLAD) and short-term mortality rate of patients with systemic sclerosis (ScS). By combining the results of machine learning on the two types of mediastinal and pulmonary kernels of the chest scanner, we can improve the efficiency of machine learning algorithms without the need to acquire a new irradiated scanner. For example, we have shown that using first-order radiomic parameters can allow automatic quantification of changes in imaging and establishment of an objective score for the assessment of disease severity in patients with PCD. For CLAD, the preliminary analysis of the combination of the density characteristics in histogram and the texture of the radiomics of the inspiratory scans could predict 6 months ahead of the occurrence of lung function tests changes. Our preliminary results however did not reach statistical significance and require larger studies with multicentre collaborations. For ScS, the AtlasNet deep-learning algorithm allows quantification of lung parenchyma lesions to help predict short-term mortality. In the last chapter of this thesis, we report the influence of the choice of reconstruction kernels in CT on the training of machine learning models in the process of segmentation of pathologic areas of interstitial lung diseases of ScS and COVID-19. This will hopefully offer the possibility to improve the performance of models in combinations of two reconstruction kernels.L'analyse quantitative des lésions pulmonaires en imagerie thoracique tomodensitométrique est désormais possible grâce aux outils d'aide au diagnostic (ou Computer-Aided Diagnosis - CAD). Cette approche permet également une meilleure compréhension des mécanismes physiopathologiques grâce aux outils d'intelligence artificielle et à l'approche radiomique. Dans le cadre de notre Thèse, nous avions pu appliquer les outils de CAD et d'intelligence artificielle (machine learning et deep-learning) pour construire des scores de sévérité dans la dyskinésie ciliaire primitive (DCP), prédire la survenue du dysfonctionnement chronique du greffon pulmonaire (DCGP) et la mortalité à court terme de la sclérodermie systémique (ScS). Nous avions également combiné les résultats de machine learning sur les deux types de filtre médiastinal et pulmonaire du scanner thoracique. Nous avions ainsi amélioré l'efficacité des algorithmes d'apprentissage profond sans avoir recours à la nouvelle acquisition de scanner irradié. En pratique, nous avions montré que la caractéristique radiomique de premier ordre autorise la quantification automatique des modifications des images et l'établissement d'un score objectif pour évaluer la gravité de la DCP. L'analyse préliminaire de la combinaison des caractéristiques de densité en histogramme et de texture de la radiomique des scanners inspiratoires pourrait également prédire les modifications fonctionnelles respiratoires de la DCGP 6 mois avant leur survenue. Mais les résultats de notre étude préliminaire, n'étant pas statistiquement significatifs, nécessitent des études à plus grande échelle passant par des collaborations multicentriques. Pour la ScS, l'algorithme de « deep-learning » AtlasNet permet la quantification des lésions du parenchyme pulmonaire et la prédiction de la mortalité à court terme. Dans le dernier chapitre de notre thèse, nous rapportons l'influence du choix de filtre de reconstruction en TDM sur l'entrainement des modèles de machine learning pour la segmentation des zones lésionnelles pulmonaires interstitielles dans la ScS et la COVID-19, permettant ainsi d'augmenter la performance des modèles combinant les deux filtres de reconstruction