Deep learning architectures for automatic detection of viable myocardiac segments

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.