Détection et classification multi-label de maladies pulmonaires par apprentissage automatique à partir d’images de radiographie thoracique

Soutenance de thèse d'Aya HAGE CHEHADE dans le cadre du doctorat en Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication.

Les maladies pulmonaires représentent une cause majeure de décès dans le monde. Le diagnostic précoce est crucial pour prévenir la détérioration de l’état du patient et améliorer les chances de rétablissement et de survie. La radiographie thoracique (CXR) est la technique d’imagerie médicale la plus couramment utilisée pour le diagnostic de nombreuses anomalies thoraciques, en raison de sa simplicité, son accessibilité, et son coût efficacité. Cependant l’interprétation correcte des CXRs constitue un défi majeur pour le médecin. En effet, chaque radiographie contient de nombreuses pathologies pulmonaires potentielles dont beaucoup partagent des caractéristiques visuelles similaires, ce qui peut entraîner des difficultés d’interprétation. D’où l’intérêt d’automatiser la détection et la classification des maladies pulmonaires à l’aide des technologies d’Intelligence Artificielle qui ont ouvert des voies prometteuses pour relever ces défis, jouant un rôle important dans le domaine biomédical.

Ainsi, l’objectif principal de cette thèse est de développer des modèles d’apprentissage automatique pour améliorer la classification des maladies pulmonaires à partir des images de radiographie thoracique.

Pour ce faire, différentes étapes sont nécessaires et ont été appliquées dans ce travail de recherche : l’acquisition des données, le prétraitement des images, la construction des modèles d’IA et enfin l’évaluation de ces modèles. La base de données ChestX-ray14, largement utilisée dans la littérature et contenant des images de radiographie thoracique ainsi que des données cliniques, est utilisée dans notre recherche. Le prétraitement des images a pour but d’améliorer la qualité des images et de supprimer le bruit afin d’accroître les performances de classification et donc l’efficacité des modèles d’apprentissage.

Cette thèse présente plusieurs contributions. Au-delà de l’analyse des images, les données cliniques associées sont également examinées, car elles peuvent considérablement influencer l’interprétation des images et la prise de décision concernant la présence d’une pathologie. En effet, prendre en compte ces métadonnées contribue à affiner le modèle de classification et donc le diagnostic selon le profil du patient, ce qui améliore l’efficacité diagnostique.

Ensuite, une nouvelle approche de prétraitement basée sur CycleGAN est développée afin de minimiser l’effet du bruit produit par les artefacts dans les images de radiographie thoracique. En effet, les images CXR peuvent souvent contenir des artefacts tels que des objets étrangers, des dispositifs médicaux, des fils, et des électrodes. Ces éléments non pertinents introduisent du bruit qui peut compromettre la visibilité des structures anatomiques essentielles et rendre difficile la distinction des caractéristiques pathologiques pertinentes. La réduction de l’impact de ces éléments non pertinents permet au modèle de se concentrer plus précisément sur les caractéristiques diagnostiques pertinentes, améliorant ainsi la précision de la classification des maladies pulmonaires.

En plus, pour le prétraitement, une nouvelle approche de segmentation basée sur CycleGAN est développée afin de générer des masques qui incluent les zones affectées par la pathologie dans la région d’intérêt. En effet, les approches traditionnelles telles que U-Net, bien que largement utilisées pour la segmentation des images médicales, échouent à inclure les régions spécifiquement affectées par les pathologies, essentielles pour une classification précise, dans les masques. Notre approche de génération de masques de pathologies assure que les caractéristiques radiomiques sont extraites des zones les plus indicatives des pathologies, permettant ainsi de concentrer l’analyse sur les aspects pathologiques des images et améliorant de manière significative la performance de la classification multi-label des maladies pulmonaires par rapport à l’utilisation du modèle U-Net.

Finalement, une nouvelle approche de sélection de caractéristiques est développée pour identifier a priori les caractéristiques statistiquement les plus significatives pour les maladies avant de faire la classification. Cette étape permet d’éliminer les caractéristiques redondantes ou non essentielles, garantissant que seules les caractéristiques les plus pertinentes sont retenues. Cette méthode améliore l’efficacité du modèle de classification en ciblant et en analysant précisément les caractéristiques clés qui distinguent les différentes conditions pathologiques, optimisant ainsi la performance du modèle et renforçant la fiabilité des diagnostics.

Pour conclure, quatre contributions ont été développées au cours de cette thèse. Les approches proposées présentent des résultats prometteurs améliorant de manière significative la performance de la classification binaire et multi-label des maladies pulmonaires, ce qui contribuera à optimiser la qualité des diagnostics et à améliorer la prise en charge des patients.