AI-based analysis of abdominal ultrasound images to support medical diagnosis

Analyse d'images d'échographie abdominale basée sur l'IA pour aider au diagnostic médical L'objectif de notre étude est d'analyser comment les outils d'apprentissage automatique peuvent être adaptés pour être utilisés pour l'interprétation automatique d'images d'échographie abdominale, en prenant en compte une difficulté majeure: l'absence de bases de données d'échographie abdominale conservées, annotées et librement accessibles. Dans cette thèse, nous détaillerons ces défis et indiquerons des premiers éléments pour pallier certains d'entre eux.Le chapitre 2 décrit la construction d'une grande base de données d'échographie abdominale provenant d'un hôpital universitaire où un total de 8011 examens d'échographie abdominale (120 593 images) de 6482 patients ont été extraits, ainsi que les rapports médicaux correspondants. Nous nous concentrons sur la documentation du jeu de données, y compris ses caractéristiques et la collecte des données, ainsi que sur une évaluation critique des biais du jeu de données et des instances mal étiquetées.Dans le chapitre 3, nous proposons un logiciel de prétraitement pour les images échographiques qui permet à la fois une parfaite désidentification des images et la standardisation de leur contenu. La méthode permet la délimitation du cône d'acquisition en échographie et le remplissage des annotations (lignes, caractères) à l'intérieur du cône en combinant une approche probabiliste paramétrique avec un réseau de segmentation, en plus des méthodes de remplissage automatique.Dans le chapitre 4, nous avons mené une étude pour entraîner et évaluer les performances d'un réseau de neurone profond sur une tâche spécifique autour de l'imagerie échographique, en présence d'une quantité raisonnable de données sans bruit et hautement étiquetées. Ses performances sont ensuite comparées à celle de soignants ayant différents niveaux d'expertise. La détection, la localisation et la caractérisation des lésions focales du foie dans les images échographiques en mode B ont été choisies comme cadre de cette étude : d'abord, car cette tâche a un intérêt clinique bien documenté, et ensuite, car les études précédentes se sont concentrées uniquement sur la caractérisation des lésions en omettant les tâches de détection et de localisation des lésions dans le foie.Le chapitre 5 explore comment les données non étiquetées peuvent être exploitées pour améliorer les représentations visuelles apprises en utilisant l'apprentissage auto-supervisé et/ou semi-supervisé pour la classification des organes abdominaux. En particulier, nous proposons d'adapter deux méthodes multi-classes de pointe au contexte de la classification multi-labels : le clustering profond avec PICA, et l'apprentissage semi-supervisé avec FixMatch.Enfin, nous discutons des défis restants et des orientations futures potentielles.