Les défis de l'apprentissage profond dans l'analyse des lésions hépatiques : Gérer les données longitudinales en situation clinique

Le cancer du foie demeure l'une des principales causes de mortalité liée au cancer, et sa détection précoce est critique pour la survie. Au-delà du diagnostic initial, un suivi longitudinal soutenu est essentiel pour évaluer la réponse au traitement et surveiller la récidive. La pratique actuelle repose sur l'évaluation manuelle de scanners (TDM) acquis à différents moments (analyse dite longitudinale), un processus chronophage compliqué par la nature déformable du foie, la variabilité inter-patients et l'évolution temporelle hétérogène des lésions.Bien que l'apprentissage profond offre un potentiel d'automatisation, les progrès sont freinés par la rareté des jeux de données longitudinaux annotés et la complexité introduite par la variabilité anatomique et les changements temporels. Cette thèse propose des réponses à ces défis à travers un cadre méthodologique pour l'analyse automatisée des lésions hépatiques en TDM, articulé autour de trois objectifs clés : (i) réduire la dépendance à l'annotation manuelle, (ii) établir un alignement anatomique robuste entre les points temporels et (iii) exploiter le contexte temporel pour améliorer la détection des lésions.Premièrement, pour surmonter l'obstacle de la rareté des données, nous introduisons une stratégie d'entraînement efficace basée sur la génération de tumeurs synthétiques. En intégrant des connaissances expertes du domaine dans un pipeline de génération paramétré, nous démontrons que les modèles pré-entraînés sur des données synthétiques atteignent une forte généralisation, réduisant ainsi la dépendance à une annotation manuelle à grande échelle.Ensuite, pour garantir que les observations entre les scanners correspondent au même contexte anatomique, nous proposons une approche de recalage préservant la structure. Contrairement aux méthodes standard basées sur l'intensité qui peuvent déformer les lésions, cette approche s'adapte à la déformation du foie tout en préservant strictement la morphologie des structures intérieures telles que les tumeurs, assurant une base fiable pour l'analyse comparative.S'appuyant sur ces composants, nous introduisons LiFE-Net, une nouvelle architecture d'apprentissage profond conçue pour exploiter le contexte temporel. En agrégeant efficacement les informations des examens précédents via la fusion de caractéristiques et des mécanismes d'auto-attention, le modèle améliore les performances de détection, en particulier pour les lésions petites ou subtiles souvent manquées lors de l'analyse d'un seul point temporel.Enfin, la pertinence clinique du cadre est évaluée par une étude multi-lecteurs, évaluant la concordance entre les mesures automatisées et le consensus des experts.Collectivement, ces contributions font progresser la surveillance automatisée, cohérente et efficace du cancer du foie, tout en offrant des stratégies extensibles pour des applications d'imagerie longitudinale plus larges.