Thyrosonics : learning-based detection and classification of thyroid nodules from ultrasound images

Thyrosonics : l'apprentissage automatique pour la détection et classification des nodules thyroïdiens dans les images échographiques L'échographie est une technique indispensable pour l'évaluation du risque de malignité des nodules thyroïdiennes. Malgré son utilité, l'échographie thyroïdienne reste limitée par sa dépendance à l'expérience de l'opérateur, autant pour l'acquisition que pour l'interprétation. C'est pourquoi des algorithmes d'apprentissage automatique, ayant connu de grands succès sur des images naturelles et médicales, ont été proposés aussi pour l'interprétation des images échographiques thyroïdiennes. L'intérêt suscité dans ce domaine par la promesse de l'IA a mené à un grand nombre de publications proposant des algorithmes pour la détection, segmentation, et classification de nodules, ainsi qu'à la création de plusieurs produits commerciaux pour la pratique clinique. Malgré tous ces outils, l'impact réel sur la pratique des endocrinologues et radiologues français reste faible ; cette limitation correspond dans une large mesure au fait que la majorité de ces algorithmes ne prennent pas en compte le contexte clinique de l'échographie thyroïdienne en France. L'objet de cette thèse est donc d'explorer les particularités de l'échographie thyroïdienne en France, afin d'identifier les possibles pistes d'amélioration en utilisant les méthodes de l'apprentissage automatique. Le premier chapitre consiste à examiner la variabilité inter-expert en évaluation de l'échographie thyroïdienne. Une étude multicentrique utilisant des images échographiques acquises au fil de l'eau de la pratique clinique de quatre experts français donnent une indication des points de difficulté pour les médecins. Les résultats permettent d'identifier les caractéristiques échographiques des nodules thyroïdiens dont la description génère des différences significatives entre les praticiens, et entraîne des conséquences sur la prise en charge des patients. Le deuxième chapitre entre plus dans le détail de l'une des caractéristiques échographiques utilisées par les experts : l'échogénicité. En continuité du chapitre précédent, la possibilité de se servir d'un outil d'apprentissage automatique pour aider les praticiens non-experts à distinguer entre des nodules hyper-/isoéchogènes et nodules hypoéchogènes est explorée. Ensuite, les différences quantitatives entre les images sont étudiées pour évaluer la robustesse de la vérité terrain, et la reproductibilité de l'examen échographique. Le troisième chapitre s'intéresse à la difficulté d'obtenir des annotations expertes pour l'entraînement et le raffinement d'algorithmes d'apprentissage automatique en échographie thyroïdienne. Á partir des résultats précédents, il est évident que l'obtention d'un consensus sur les étiquettes des experts pour entraîner des algorithmes demanderait un temps considérable. Afin de réduire ce coût pour le développement des algorithmes, des stratégies d'apprentissage actif pour entraîner des réseaux de neurones avec moins d'annotations sont explorées. Ce chapitre présente les limitations de ces stratégies sur des vraies données cliniques, et propose aussi une technique d'apprentissage actif qui mélange des critères de sélection classiques avec la représentativité de l'échantillonnage au hasard. Le dernier chapitre explore l'échographie quantitative comme piste future pour améliorer l'évaluation des nodules thyroïdiens. En utilisant des simulations numériques de tissus mous et d'une vraie sonde échographique, des réseaux de neurones sont entrainés pour estimer le paramètre non linéaire d'un milieu de propagation à partir du signal brut reçu au niveau de la sonde. La stratégie utilise une combinaison de pulses pour créer un signal plus apte à être traité par le réseau. Les contributions de cette thèse cherchent à mieux contextualiser l'utilisation de l'apprentissage automatique dans l'échographie thyroïdienne, afin de permettre ces techniques d'avancer vers des applications ayant un vrai impact durable sur la pratique clinique.