Prediction de mouvements tumorales lors de la respiration pour la radiotherapie
Hiver 2022: Emilie Ouraou (Maîtrise)
La radiothérapie est une méthode de traitement des tumeurs visant à détruire l’ensemble des cellules cancéreuses du patient par radiation, tout en limitant le plus possible la destruction des cellules saines alentours afin de minimiser les effets secondaires chez le patient. Ce procédé nécessite donc de cibler précisément les cellules cancéreuses. Cependant les mouvements de respiration du patient entraînent un déplacement des cellules cancéreuses, en particulier dans le cadre de cancers du poumon, ce qui limite la précision du traitement.
Le but de ce projet est de construire un modèle de prédiction des mouvements de tumeurs du poumon pendant la respiration afin de permettre de les cibler plus précisément lors de la radiothérapie.
Caractérisation non invasive du microenvironnement immunitaire tumoral des métastases hépatiques colorectales : une approche multi-omique
Hiver 2021: Ralph Saber (Doctorat)
Dans le but d’améliorer la compréhension de la biologie tumorale du cancer colorectal (CCR), il a été constaté que les lymphocytes CD3+ infiltrant les tumeurs (LIT) avaient une valeur pronostique majeure dans le cas du CCR primaire ainsi que les métastases hépatiques colorectales (MHC). Cependant, la quantification des LIT reste laborieuse et nécessite des échantillons de tissus. Dans cette étude, nous proposons un pipeline basé sur la radiomique, visant à prédire l'état d'infiltration des lymphocytes T CD3+ dans les MHC à partir d'images tomodensitométriques préopératoires. Nos résultats démontrent une relation entre les caractéristiques radiomiques et le statut d'infiltration tumorale CD3 avec le potentiel de déterminer de manière non invasive la densité des LIT CD3+ à partir d'images tomodensitométriques préopératoires.
Soumission: SPIE Medical Imaging 2022
Classification semi-supervisée des grades de réponse tumorale à partir d'images histologiques de patients avec métastases hépatiques colorectales
Automne 2020: Mohamed Amine Elforaici (Maîtrise)
Les métastases hépatiques colorectales (CLM) se développent chez près de la moitié des patients atteints d'un cancer du côlon. La réponse à la chimiothérapie systémique est le principal déterminant de la survie des patients. En raison de l'importance d'évaluer la réponse au traitement de la CLM à la chimiothérapie pour le pronostic du patient, il est nécessaire de classer le grade de réponse tumorale (TRG) sur des lames d'histopathologie (HPS). Cependant, annoter ces lames pour former des réseaux de neurones est une tâche qui prend beaucoup de temps. Dans ce travail, nous présentons une approche dit "end-to-end" pour la classification des tissus des CLM conduisant à la prédiction TRG. Un modèle faiblement supervisé est d'abord formé pour effectuer une classification des tissus à partir d'annotations clairsemées, générant des cartes de segmentation. Ensuite, à l'aide des caractéristiques extraites de ces cartes, un modèle secondaire est formé pour effectuer la classification TRG. Nous démontrons la faisabilité de l'approche proposée sur un ensemble de données cliniques de 1450 HPS de 232 patients CLM en comparant notre approche semi-supervisée Mean Teacher avec d'autres méthodes supervisées et semi-supervisées. Le pipeline proposé surpasse les autres modèles, atteignant une précision de classification de 94,4 %. Sur la base des cartes de classification générées, le modèle est capable de stratifier les patients en deux classes TRG (1-2 vs 3-5) avec une précision de 86,2 %.
Soumission: ISIBI 2022
La maladie d'Alzheimer (MA) qui est la cause la plus générale de la démence dégénérative est caractérisée par une apparition insidieuse, un début de perte de mémoire, des déficits au niveau de la langue et de la gestion visuospatiale (associée à la destruction des lobes temporaux et pariétaux), un cours progressif, et l'absence de signes neurologiques précoces tôt dans le cours de la maladie. Un diagnostic différentiel précis et la déficience cognitive nécessitent une observation intégrée des patients. Différents types de démence sont diagnostiqués par le dépistage cognitif qui est généralement sensible à une déficience cognitive importante associée à la démence, et peut chez certains patients détecter également une déficience cognitive légère (MCI). D'un point de vue de la neuroimagerie, la tomographie par émission de positrons (TEP) par images de fluorodésoxyglucose (FDG) pour le métabolisme cérébral du glucose et des images de la plaque amyloïde (AV45) peuvent fournir des informations complémentaires pour le diagnostic de la MA. Ce projet vise à développer un système d'aide au diagnostic pour classer les patients atteints de MA par rapport à des patients de déficience cognitive légère en utilisant des images PET. La capacité de diagnostiquer la MA à un stade précoce a un grand impact sur l'intervention et la planification du traitement clinique, et doncsur la réduction des coûts associés aux soins de longue durée. Nous essayons de montrer s'il est possible de classer la MA, la MCI précoce (EMCI), la MCI tardive (LMCI) et l'état cognitif normal (NC) simplement en utilisant les images TEP comme principale question de recherche pour ce travail. Dans ce projet, nous cherchons à trouver les meilleures extractions de caractéristiques à partir des images FDG PET et PET AV45 via des outils qui sont déjà existants. L'analyses des classificateurs les plus efficaces est une autre réalisation dans ce projet puisque les classificateurs sont importants pour avoir une classification précise.
La maladie d'Alzheimer (MA) est une maladie neurodégénérative dont les symptômes de la démence s'aggravent au cours des années. La capacité de diagnostiquer l'apparition précoce de la MA a un grand impact sur le traitement de la MA et des autres démences. Des mesures morphométriques telles que l'épaisseur corticale et les descripteurs de forme de structures corticales et sous-corticales du cerveau ont été largement utilisées pour caractériser la MA, la déficience cognitive légère (MCI) et l'état cognitif normal (NC). Des approches communes supposent de trouver une représentation de faible dimension de ces données complexes et de grande dimension à l'aide de l'analyse en composantes principales (ACP) et multidimensionnelle (MDS). Cependant, ces méthodes fonctionnent généralement dans l'espace linéaire et à peine capable de traiter des structures irrégulières ou anormales se trouvant dans l'espace non linéaire. Autrement la méthode d'apprentissage manifold est bien connue pour sa capacité à modéliser des données dans l'espace non linéaire. Ce projet vise à développer un nouveau cadre d'apprentissage manifold pour mieux caractériser les sujets avec différents stades de fonction cognitive, de la CN à MCI et MA. À travers l'exploration de données de neuro-imagerie de grande dimension dans un cadre d'apprentissage de collecteur topologiquement invariant, nous nous attendons à apprendre la trajectoire de développement du cerveau et à combiner efficacement les données multimodales et temporelles de RM et des images TEP pour différencier les variations du cerveau chez les sujets avec CN, MCI et MA.
La scoliose idiopathique adolescente (SIA) correspond à une déformation complexe de la colonne vertébrale en trois dimensions (3D). La classification des riches et complexes déformations de la colonne vertébrale est cruciale pour la comparaison entre traitements cliniques et pour le suivi à long terme des patients. La caractérisation de la SIA ainsi que les recommandations de traitement se basent sur la classification de Lenke qui consiste en une évaluation en deux dimensions (2D) de la scoliose à partir de deux radiographies dans les plans coronal et sagittal. Cependant, des interprétations erronées peuvent survenir notamment lorsque deux patients présentent des paramètres 2D similaires. L’objectif de ce projet est de développer des méthodes d’aide à la décision pour le clinicien qui vont se baser sur la dimension intrinsèque des modèles 3D de la colonne vertébrale. Ces modèles en haute dimension seront projetés sur une variété d’une plus faible dimension avant d’effectuer un partitionnement en sous-groupes de la population étudier. L’identification de sous-groupes à partir de la représentation 3D assurera une meilleure compréhension et description de la morphologie de la colonne vertébrale. De plus, cela ouvre la porte à de nouvelles stratégies dans le choix des niveaux de fusion, des forces biomécaniques à appliquer et des instruments chirurgicaux à utiliser.
La scoliose idiopathique de l’adolescent (SIA) est une déformation tridimensionnelle du rachis. Les méthodes les plus utilisées pour évaluées la SIA reposent sur des mesures deux dimensionnelles mesurées sur des radiographies. Conséquemment, ces descripteurs ne décrivent pas entièrement cette déformation. La torsion géométrique est une mesure 3D de la scoliose qui évalue la tendance d’une courbe à changer de direction. Celle-ci a précédemment été étudiée en SIA, mais dû à l’approche locale de la mesure de scoliose, ce dernier demeure sensible aux erreurs d’une reconstruction 3D de la scoliose. Donc, l’objectif de ce projet vise à évaluer une nouvelle méthode d’estimation de la torsion géométrique en employant une approche globale utilisant des approximations de longueurs d’arc. Ce projet vise à présenter numériquement cet indice pour que celui-ci soit plus facile à interpréter pour le clinicien et à développer une méthode de classification de la SIA.
La prédiction automatisée des résultats du traitement est un domaine de recherche actif dans l'analyse d'imagerie médicale. Des résultats précis pourraient conduire à une planification et une replanification du traitement adaptées au cours de la progression de la maladie, tout en minimisant les effets secondaires sur la qualité de vie des patients. Cependant, alors que la plupart des techniques modernes d'apprentissage automatisé propose une généralisabilité entre les individus, il n'en va pas de même pour les a travers les institutions médicales. En effet, les différences entre les fabricants, les modèles, les paramètres et les opérateurs de scanners peuvent tous conduire à des différences significatives dans les images de diagnostic recueillies qui ont un impact sur les performances des classificateurs basés sur l'apprentissage automatisé. Comparativement, les méthodes de diagnostic traditionnelles par un expert du domaine impliquent une analyse visuelle d'images médicales; alors que les humains sont facilement capables d'ignorer les différences multi-domaines, ils sont limités aux informations d'imagerie visuelle, alors que les méthodes automatisées présentent souvent les effets opposés. De nouvelles recherches sont donc nécessaires pour combiner les deux avantages en utilisant des méthodes modernes d'apprentissage de réseaux de neurones profonds, qui se sont avérées excellentes dans l'analyse d'images naturelles. Dans ce travail, nous proposons donc une approche basée sur CNN qui exploite un ensemble de données multi-institutionnel et multimodal sur le cancer de la tête et du cou pour prédire les résultats de survie à 10 ans ainsi que la régression tumorale.
