Apprentissage profond pour la détection et la quantification automatiques des zones pathologiques du myocarde à partir de l'IRM DE après un infarctus

L'infarctus du myocarde (IM) est devenu l'une des maladies cardiovasculaires les plus courantes. L'infarctus se produit lorsque le flux sanguin diminue ou s'arrête dans une partie du cœur, ce qui peut endommager le myocarde en raison de l'ischémie. L'infarctus peut entraîner une obstruction microvasculaire persistante (PMO) même après le traitement de reperfusion d'une artère coronaire occluse, ce qui touche une proportion importante de patients. Pour évaluer l'infarctus et l'obstruction microvasculaire persistante, l'IRM avec rehaussement tardif (IRM-RT) est devenue la référence. Cependant, pour quantifier précisément la pathologie, les médecins doivent d'abord tracer manuellement les délimitations des différents tissus myocardiques sur les tranches d'IRM à petit axe ; ensuite, le volume des tissus normaux et pathologiques sera calculé pour évaluer la gravité de l'attaque. Les procédures d'annotation manuelle sont très chronophages et subjectives, ce qui renforce l'intérêt potentiel d'une approche d'évaluation automatique pour l'évaluation de l'IM. Les méthodes actuelles de contourage automatique en IRM-RT sont principalement des approches probabilistes telles que les modèles de mélange de distributions Gaussiennes, alors que de plus en plus d'applications d'apprentissage profond atteignent des performances de pointe par rapport aux approches probabilistes. Par conséquent, dans cette thèse, les différents aspects des approches basées sur l'apprentissage profond ont été étudiés pour l'évaluation automatique du MI à partir de l'IRM-RT.Pour développer le pipeline d'évaluation de l'IM basé sur l'apprentissage profond, trois aspects majeurs, à savoir le prétraitement, les modèles d'apprentissage profond et le post-traitement, ont été étudiés ou proposés. Le prétraitement vise à préparer des entrées plus cohérentes et plus claires pour les modèles d'apprentissage profond en utilisant des normalisations d'images, des recadrages, etc. Pour concevoir des modèles d'apprentissage profond bien adaptés, de nombreux éléments (blocs de construction, fonctions de perte, modèles de segmentation, etc.) ont été proposés ou comparés. En outre, les méthodes de post-traitement, y compris les traitements morphologiques et les filtres basés sur l'information préalable, ont été appliquées aux segmentations grossières afin d'éliminer les contours faussement positifs. En plus de l'évaluation automatique par segmentation, en fusionnant l'IRM et les caractéristiques physiologiques du patient, une approche basée sur l'apprentissage automatique a été proposée pour obtenir des estimations quantitatives de l'IM en utilisant uniquement les caractéristiques cliniques et pathologiques pour une évaluation cardiologique rapide dans le service des urgences cardiaques.Myocardial Infarction (MI) has become one of the most common cardiovascular diseases. The MI occurs when the blood flow decreases or stops to a part of the heart which can cause damage to the myocardium due to ischaemia. The MI can lead to persistent microvascular obstruction (PMO) even after the reperfusion therapy of an occluded coronary artery, which affects a significant proportion of patients. To assess the MI and the extended PMO, Delayed Enhancement MRI (DE-MRI) has become the gold standard. However, to precisely quantify the pathology, physicians have to first manually draw the delineations of different myocardial tissues on the short-axis MRI slices then the volume of normal and pathological tissues will be calculated to evaluate the severity of the attack. The manual annotation procedures are highly time-consuming and subjective, which reinforces the potential interest of an automatic evaluation approach for the MI assessment. Current automatic delineation methods on DE-MRI are mostly probabilistic approaches such as the Mixture Models while more and more deep learning applications achieve state-of-the-art performances compared to the probabilistic approaches. Therefore, in this thesis, the different aspects of deep learning-based approaches have been investigated for the automatic MI evaluation from DE-MRI.To develop the deep learning-based MI assessment pipeline, three major aspects consisting in the pre-processing, the deep learning models and the post-processing have been investigated or proposed. The pre-processing aims at preparing more consistent and clearer inputs for deep learnings models using image normalizations, cropping etc. To design well-adaptive deep learning models, many parts (building blocks, loss functions, segmentation models, etc.) were proposed or compared. Moreover, the post-processing methods including morphological treatments and prior information-based filters were applied to the coarse segmentations to eliminates false positive contours. Apart from the automatic assessment by segmentation, merging the MRI and textual patient features, a machine learning-based approach was proposed to obtain quantitative estimates of MI using only the clinical and pathological features for a quick cardiological assessment in cardiac emergency department