Integration and non-intrusive human clinic machine learning for kidney assessment
Intégration et clinique humaine non intrusive : apprentissage automatique pour l'évaluation de la qualité de greffons rénaux
Résumé
Chronic kidney disease and kidney failure are a major public health issue. In the context of a constantly increasing number of cases, kidney transplantation is considered an optimal management strategy. It has the advantage of increasing the chances of survival together with a higher quality of life and a reduced cost.For kidneys intended for transplantation, it is essential to quickly determine the functional status and the optimal method of preservation, both of which remain open problems at this time. Surgeons typically use suboptimal kidneys or exclude potentially better transplants. More generally, the choice of imaging techniques to analyze the kidney in different clinical tasks, including transplantation, is a research subject in its own right. Magnetic resonance imaging (MRI), in particular, has great potential as a non-invasive method for retrieving structural and functional information. However, the quantity and complexity of the data it generates remains an important obstacle to its full exploitation.Machine learning in general, and deep learning in particular, are widely studied scientific items that can be found in many applications and research fields. Learning-based methods allow a computer to build complex concepts from simpler ones. Recent advances in medical imaging and machine learning have prompted many researchers to pursue the idea of augmented anatomical and functional imaging to aid in diagnosis. By augmented imaging, we mean artificial intelligence (AI) models designed to assist radiologists and allow them to make an optimal diagnosis.Our PhD thesis work aims to improve the quality assessment of kidney grafts using MRI and machine learning techniques. This work includes three applications belonging to two main tasks: super-resolution and ultra-high field MRI synthesis for image quality improvement; and cross-modality translation. Note that for practical reasons explained in the document, a significant part of our work was carried out using human brain data.In the first application, we develop a method based on self-supervised models to solve super-resolution tasks on routine 3T MRI through learning on paired and unpaired data. The evaluation of our results shows that the proposed methods can produce high resolution output from low resolution input with low distortion. Furthermore, the explored solution overcomes the limitation of existing methods requiring aligned sample pairs.In the second part, we aim to synthesize ultra high field (7 Tesla, or 7T) MRI data from 3T volumes. The proposed model obtains convincing results on both objective and subjective criteria. The final models can work stably on 3D brain MRI, which is very promising.In the last work, we focus on the cross-modality translation task. The models are designed to generate high precision volumes among different modalities such as T1⟷T2, T1⟷T1c or T1⟷T2-Flair. Current work focuses on the translation of T1 MRI to its enhanced contrast version T1c, this scenario presenting a very strong potential with respect to the precautionary principle with regard to gadolinium injections for obtaining T1c sequences. A comparative study between the methods of the literature and our methods from previous work is presented. The results demonstrate that our methods obtain a stable result on the research dataset and promising results on the practical dataset. Moreover, experiments have shown that the results of the models are optimizable.
La maladie rénale chronique et l’insuffisance rénale représentent un problème de santé publique majeur. Dans le contexte d’un nombre de cas en croissance permanente, la transplantation rénale est considérée comme une stratégie optimale de prise en charge. Elle a en effet pour avantage d'augmenter les chances de survie avec une qualité de vie supérieure et un coût réduit.Pour les reins destinés à la transplantation, il est essentiel de déterminer rapidement l'état fonctionnel et la méthode optimale de conservation du rein, ce qui reste à ce jour un problème. Les chirurgiens utilisent généralement des reins sous-optimaux ou excluent les greffons potentiellement meilleurs. Plus généralement, le choix de techniques d'imagerie pour analyser le rein dans différentes tâches cliniques, dont la transplantation, est un sujet de recherche à part entière. L’imagerie par résonance magnétique (IRM), notamment, présente un fort potentiel en tant que méthode non invasive pour récupérer des informations structurelles et fonctionnelles. La quantité et la complexité des données qu’elle génère demeure toutefois un verrou important à sa pleine exploitation. L'apprentissage automatique, en général, et l'apprentissage profond, en particulier, sont des domaines scientifiques largement étudiés qu’on retrouve dans de nombreuses applications et domaines de recherche. Les méthodes basées sur l'apprentissage permettent à un ordinateur de construire des concepts complexes à partir de concepts plus simples. Les avancées récentes de l'imagerie médicale et de l'apprentissage automatique ont incité de nombreux chercheurs à approfondir l’idée d’une imagerie anatomique et fonctionnelle augmentées pour l'aide au diagnostic. Par imagerie augmentée, nous entendons des modèles d'intelligence artificielle (IA) conçus pour assister les radiologues et leur permettre de réaliser un diagnostic optimal.Notre travail de thèse vise à améliorer l'évaluation de la qualité de greffons rénaux à l'aide de techniques d'IRM et d’apprentissage automatique. Ce travail comprend trois applications appartenant à deux tâches principales : la synthèse IRM super-résolution et ultra-haut champ pour l'amélioration de la qualité d'image ; et la translation intermodale. Notons que pour des raisons pratiques explicitées dans le document, une partie importante de nos travaux a été réalisée sur des données de cerveau humain.Dans la première application, nous développons une méthode basée sur des modèles auto-supervisés pour résoudre la super-résolution sur l'IRM 3T de routine grâce à un apprentissage sur des données appairées et non appairées. L’évaluation de nos résultats montre que les méthodes proposées peuvent produire une sortie haute résolution à partir d'une entrée basse résolution avec une faible distorsion. En outre, la solution explorée permet de surmonter la limitation des méthodes existantes exigeant des paires d’échantillons alignés.Dans le second volet, nous visons à synthétiser des données IRM ultra haut champ (7 Tesla, ou 7T) à partir de volumes 3T. Le modèle proposé obtient des résultats convaincants tant sur des critères objectifs que subjectifs. Les modèles finaux peuvent fonctionner de manière stable sur l'IRM cérébrale 3D, ce qui est très prometteur.Dans le dernier travail, nous nous concentrons sur la tâche de translation multimodale. Les modèles sont conçus pour générer des volumes de haute précision parmi différentes modalités telles que T1⟷T2, T1 ⟷T1c ou T1⟷T2-Flair. Les travaux actuels se concentrent sur la translation de l'IRM T1 à sa version à contraste augmenté T1c, ce scénario présentant un très fort potentiel vis-à-vis du principe de précaution quant aux injections de gadolinium pour l’obtention des séquences T1c. Une étude comparative entre les méthodes de la littérature et nos méthodes issues de travaux antérieurs est présentée. Les résultats démontrent que nos méthodes obtiennent un résultat stable sur l'ensemble de données de recherche.
Origine : Version validée par le jury (STAR)