Deep Learning in Neuroimaging for Multiple Sclerosis
Apprentissage Profond en Neuroimagerie pour la Sclérose en Plaques
Résumé
Magnetic Resonance Imaging (MRI) has routinely been used for the diagnosis and prognosis of Multiple Sclerosis (MS). Analyzing and extracting information from MRI could be performed manually by radiologists or experts in the field, nonetheless, these tasks are tedious, time-consuming, require domain expertise, and are prone to inter-rater variability. Thus, automatizing MRI analysis tasks were considered to deal with these limitations and process the large amount of data we encounter in this Big Data era. In this thesis, we propose end-to-end pipelines using deep learning to analyze MRI and extract MS-relevant information. The suite of tools includes MS lesion segmentation, new lesion segmentation/detection, and the estimation of disability status (EDSS) from MRI and clinicodemographic data. During the design of each pipeline, we proposed methodological contributions that solved the different technical challenges, such as domain bias, data rarity, and data imbalance. Our pipelines are hosted on volBrain, to make them freely and easily available to use by the MS community without the need for software or hardware requirements. By doing so, our users benefit from state-of-the-art performance with few clicks on their web browser and obtain compact easy-to-read reports.
L'imagerie par résonance magnétique (IRM) est couramment utilisée pour le diagnostic et le pronostic de la sclérose en plaques (SEP). L'analyse et l'extraction des informations de l’IRM pourraient être effectuées manuellement par des radiologues ou des experts dans le domaine, néanmoins, ces tâches sont fastidieuses, chronophages, nécessitent une expertise du domaine et sont sujettes à la variabilité inter-évaluateurs. Ainsi, l’automatisation des tâches d’analyse IRM a été envisagée pour faire face à ces limitations et traiter la grande quantité de données que nous rencontrons à l'ère du Big Data. Dans cette thèse, nous proposons des pipelines de bout en bout utilisant l’apprentissage profond pour analyser l’IRM et extraire des informations pertinentes pour la SEP. La suite d’outils comprend la segmentation des lésions de SEP, la segmentation/détection de nouvelles lésions et l'estimation du statut d'invalidité (EDSS) à partir de données IRM et clinico-démographiques. Lors de la conception de chaque pipeline, nous avons proposé des contributions méthodologiques qui ont résolu les différents défis techniques, tels que le biais de domaine, la rareté des données et le déséquilibre des données.Nos pipelines sont hébergés sur volBrain, pour les rendre librement et facilement utilisables par la communauté MS sans avoir besoin de logiciels ou de matériel. Ce faisant, nos utilisateurs bénéficient de performances de pointe en quelques clics sur leur navigateur Web et obtiennent ainsi un rapport compact et facile à lire résumant les resultats.
Origine : Version validée par le jury (STAR)