Medical image analysis with deep learning for computer-aided diagnosis in screening

Analyse d’images médicales par apprentissage profond pour le diagnostic assisté par ordinateur dans un contexte de dépistage

Yutong Yan (1)

1 LaTIM - Laboratoire de Traitement de l'Information Medicale

Computer-aided medical image analysis is essential to support clinicians in diagnosis, prognosis and therapy-related decisions through fast, repeatable and objective measurements made by computational resources. In particular, the latest development of artificial intelligence applied to diagnosis and screening represents a promising perspective. In this thesis, we addressed the current limitations of traditional computer-aided diagnosis (CAD) systems by providing efficient and fully-automated deep learning methods towards better interaction-free and more personalized medical care. In the contexts of breast cancer and diabetic retinopathy screening, we investigated three main challenges associated with computer-assisted medical image analysis: (1) identification and segmentation of lesions from high-resolution images, (2) multi-view information fusion for improved diagnosis, and (3) longitudinal prediction of severity grade changes. Our initial contribution to the first challenge was to propose an end-to-end mass segmentation pipeline that exploits long-range multi-scale spatial context through a cascade of convolutional encoder-decoders embedding the auto-context paradigm. Then, as a second contribution, we proposed a two-stage framework combining a deep coarse-scale mass localization involving a multi-scale fusion strategy and a fine-scale mass segmentation. The second challenge was addressed by fusing information arising from two standard mammography views, namely craniocaudal (CC) and mediolateral-oblique (MLO). Two methods were proposed towards this goal. First, a novel approach based on multi-task learning was introduced, combining mass classification with dual-view mass matching between CC/MLO mammograms. Then, we applied a label-efficient deep active learning approach that exploits dual-view consistency to mitigate the labeling workload of clinicians. These methods demonstrate the effectiveness of integrating multi-view information for detection or segmentation purposes. For the last challenge, we incorporated the prior screening of fundus images to address the referable diabetic retinopathy severity change detection. All these contributions can automatically analyze different medical images in various situations and are promising to provide relevant support for the development of the next generation of CAD systems.

L'analyse d'images médicales assistée par ordinateur est cruciale pour l'aide au diagnostic, au pronostic et au suivi thérapeutique. En particulier, le récent développement de techniques issues de l'intelligence artificielle appliquées au diagnostic et au dépistage représente une perspective prometteuse. Pour faire face aux limites des systèmes traditionnels de diagnostic assisté par ordinateur (CAD), nous avons proposé dans cette thèse un ensemble de méthodes d'apprentissage profond efficaces et automatisées, visant à améliorer la prise en charge personnalisée des patients. Dans les contextes de dépistage du cancer du sein et de la rétinopathie diabétique, nous avons principalement étudié trois défis associés à l'analyse d'images médicales assistée par ordinateur : (1) l'identification et la segmentation de lésions à partir d'images acquises à haute résolution, (2) la fusion d'informations multi-vues pour un diagnostic amélioré, et (3) la prédiction longitudinale de changements de grade de sévérité. Notre contribution au premier défi a été de développer deux méthodes dédiées à la segmentation de masses à partir de mammographies natives, à haute résolution. Dans un premier temps, nous avons proposé un pipeline de segmentation entraîné de bout en bout consistant à exploiter le contexte spatial multi-échelle grâce à une cascade d’encodeur-décodeurs convolutifs exploitant le paradigme de l'auto-contexte. Ensuite, nous avons développé une approche alternative à deux étapes, combinant la localisation de masses basée sur l’image entière et exploitant une stratégie de fusion des prédictions effectuées à multiples résolutions et la segmentation de masses sur les régions d'intérêts extraites au moyen d’un réseau profond avec connexions imbriquées et denses. Le deuxième défi a été relevé en tirant profit des informations issues des vues craniocaudale (CC) et médiolatérale-oblique (MLO) des examens mammographiques. Deux méthodes ont ainsi été proposées. Tout d'abord, une nouvelle approche basée sur l'apprentissage multi-tâches a été introduite fournissant des détections de masses précises ainsi que des correspondances entre masses issues des deux vues. Ensuite, nous avons développé une approche d'apprentissage actif exploitant la cohérence inter-vues pour diminuer la charge d'annotations des cliniciens. Ces méthodes ont démontré l'efficacité de l'intégration d'informations issues de multiples vues pour la détection ou la segmentation. Pour le dernier défi, nous avons analysé des paires d'images de fond d'œil consécutives pour la détection de changements de grade de sévérité de la rétinopathie diabétique. Ces contributions permettent d'analyser automatiquement différentes images médicales dans diverses situations et promettent de fournir un support pertinent pour le développement de systèmes de CAD nouvelle génération.

Mots clés: computer-aided diagnosis; pathology screening; deep learning; information fusion; breast cancer; diabetic retinopathy

Mots clés: Analyse d'images médicales par apprentissage profond pour le diagnostic assisté par ordinateur dans un contexte de dépistage

Domaines: Imagerie médicale; Apprentissage [cs.LG]

Yutong Yan. Medical image analysis with deep learning for computer-aided diagnosis in screening. Medical Imaging. UNIVERSITE DE BRETAGNE OCCIDENTALE, 2021. English. ⟨NNT : ⟩. ⟨tel-03543872⟩