NEED TO ADD GENERAL DESCRIPTION
La détection et segmentation du cancer du foie par l'apprentissage profond (MICHAŁ DROŻDŻAL, PH.D. AND EUGENE VORONTSOV)
Les tumeurs secondaires du foie (métastases), ainsi que les tumeurs hépatiques primaires (carcinome hépatocellulaire), sont la cause la plus fréquente de la mortalité liée au cancer en Amérique du Nord. Actuellement, dans le traitement des scans 3D des tumeurs à partir de modalités d'imagerie telles que la tomodensitométrie (TDM) et l'imagerie par résonance magnétique (IRM). En particulier, il y a une grande marge d'amélioration dans le développement de la classification automatisée des tissus, la détection des lésions, et la segmentation des lésion des organes. Dans le contexte du diagnostic du cancer, tels outils servent à améliorer le diagnostic des tumeurs cancéreuses assisté par ordinateur (CADx).
Le but du projet est d'aider les radiologistes à réduire le taux de faux négatifs, ainsi que le temps nécessaire pour offrir un diagnostic précis et le suivi. L'objectif est de développer les outils basés sur les techniques d'apprentissage profond pour un logiciel CADx de cancer qui peut être bien intégré dans un PACS (Picture Archiving Communication System) et un RIS (Radiology Information System).
La segmentation automatique des lésions permettra une estimation précise du volume tumoral et de la perfusion, en aidant à l'estimation du tumor burden et à l'évaluation des critères de réponse pour les tumeurs solides. Actuellement, ces évaluations sont obtenues en utilisant des mesures 2D, telles que la longueur et la largeur des tumeurs. Les modèles des réseaux neuronaux profonds nécessitent des quantités considérables de données pour entrainer les modèles performants qui est un défi par suite de la rareté des sujets qui peuvent présenter des types d'intérêt des tumeurs et de la difficulté d'étiqueter un grand nombre d'images médicales pour entraînment. En utilisant les données segmentés manuellement pars des collaborateurs clincal, nous prévoyons de développer des modèles qui détecteront et segmentront les tumeurs dans le foie segmenté à partir des images TDM et IRM. Le développement de ces modèles permettra l'amélioration de la précision ainsi que un variabilité réduite avec une intervention humaine minimale. Cela a le potentiel d'étendre l'utilisation de l'imagerie médicale pour le dépistage de la tumeur, le diagnostic et le suivi, et donc améliorer les soins aux patients.
Recalage Multimodalité à l’Aide de l’Apprentissage Profond pour un Meilleur Guidage de la de Curiethérapie de la Prostate (JEAN-FRANCOIS PAMBRUN, PH.D.)
Le cancer de la prostate est un cancer prédominant chez l’homme qui cause toujours de nombreux décès. Heureusement, les programmes de dépistage mis en place par les autorités médicales permettent souvent une détection précoce de la maladie et de nombreux traitements sont disponibles. L’un de ces traitements, la curiethérapie à haut débit de dose, consiste en l’insertion d’une dizaine de cathéters dans la prostate via le périnée, la région entre l’anus et le scrotum, sous guidage d’un ultrason transrectal (TRUS). Ces cathéters sont ensuite utilisés pour introduire séquentiellement une source extrêmement radioactive dans l’organe suivant un plan toujours basé sur les images TRUS. Malheureusement, comme le contraste de l’ultrason ne permet pas de discerner les tissus affectés, cette technique ne permet pas un traitement focalisé au niveau de la tumeur. La prostate est donc irradiée uniformément, incluant les tissus sains.
Les tumeurs sont pourtant visibles sur les images de résonance magnétique (IRM) normalement acquises lors des étapes du diagnostic et de la planification préopératoire. Un recalage de ces images d’IRM vers le TRUS lors de l’intervention permettrait d’établir de nouveaux plans de traitement plus flexibles comme un traitement très focal ou encore une augmentation sélective de la dose dans la région de la tumeur. Plusieurs techniques de recalage intermodalité existent, mais leur application à la curiethérapie de la prostate pose plusieurs défis, notamment le faible contraste, la présence d’artéfacts causés par les cathéters et la déformation élastiques causée par la sonde transrectale. Ce projet propose de tirer profit des récents avancements dans le domaine de l'apprentissage profond et particulièrement des réseaux neuronaux complètement convolutionnels pour surmonter ces difficultés.
