Segmentation automatique par apprentissage profond de la colonne vertébrale scoliotique à partir d'images de résonance magnétique

Résumé

Ce projet de maîtrise vise le recours à l’IRM pour porter assistance aux cliniciens dans la planification du traitement de la scoliose idiopathique de l’adolescent. Celle-ci est une pathologie qui occasionne une torsion et une courbure de la colonne vertébrale qui entraînent des déformations 3D complexes dans les cas les plus graves. L’IRM offre sur le plan sagittal un accès visuel net aux deux principales structures anatomiques en lien avec cette pathologie : les disques intervertébraux (DIVs) et les vertèbres. La discectomie par thoracoscopie est une procédure chirurgicale minimalement invasive du rachis employée dans certains traitements de la scoliose. Ayant une visualisation limitée de la colonne vertébrale durant la procédure, le chirurgien a recours à un système de navigation par ordinateur qui nécessite l’utilisation d’une caméra endoscopique qui prend des images de la colonne vertébrale du patient en temps réel pour mettre à jour un modèle préopératoire 3D obtenu par IRM suite à un recalage 3D/2D. Toutefois, la mise en place du modèle préopératoire 3D implique une segmentation des corps vertébraux (CVs) et des DIVs. De ce fait, l’objectif de cette recherche est de proposer une méthode de segmentation simultanée des DIVs et CVs à partir d’IRM de patients atteints de scoliose idiopathique. L’émergence de l’apprentissage profond et le succès dont il fait preuve en segmentation d’images de par ses performances et sa capacité de généralisation sur des données diverses, nous a menés naturellement à nous en servir pour résoudre ce problème. À travers la revue de littérature, on peut constater que la segmentation simultanée des DIVs et CVs à partir d’IRM en ayant recours à l’apprentissage profond n’est pas explorée. Les travaux existants se focalisent sur l’une des deux structures uniquement. De plus, leur validation sur des données de patients scoliotiques ne semble pas être réalisée. La restriction de l’accès aux images médicales est un sérieux obstacle d’autant plus que les approches basées sur l’apprentissage profond sont gourmandes en termes de données d’apprentissage. Dans le cadre de notre projet, nous avons construit une base de données à partir de deux sources. La première est composée d’un nombre important d’images de sujets non scoliotiques alors que la deuxième est constituée d’un nombre limité d’images de patients scoliotiques. Nous avons proposé un pré-traitement pour nettoyer et normaliser ces images de sorte à rehausser leur contraste, apparier les deux bases de données et effectuer une augmentation de données à travers des stratégies géométriques. L’entraînement de notre modèle de segmentation simultanée des DIVs et CVs passe par un apprentissage supervisé en deux temps. Nous entraînons d’abord un modèle avec des images de sujets non scoliotiques. Ensuite, ce modèle est ré-entraîné avec les images de patients scoliotiques. Dans les deux étapes, nous avons utilisé un réseau de neurones convolutif (CNN) dont l’architecture est de type encodeur-décodeur. Par contre, nous avons introduit une opération de recalibration des caractéristiques nommé Spatial and Channel Squeeze and Excitation (scSE) pour mettre en avant les plus discriminantes. Nos images souffrent d’un déséquilibre de classes où l’arrière-plan de l’image est plus dominant que les DIVs et les CVs. Pour alléger ce problème, nous avons ajouté un terme basé sur le coefficient de Kappa de Cohen à la fonction de l’entropie croisée de notre fonction objectif. Nos expériences montrent que nos choix méthodologiques sont payants. En exprimant la qualité des résultats en termes de coefficient de Dice, nous obtenons dans le cas de la segmentation des CVs, une moyenne de 85% de bonnes prédictions sur l’ensemble de la base de données de test et une moyenne de 78% dans le cas de segmentation des DIVs. Nous avons ainsi démontré qu’une segmentation multi-classes a produit de meilleures performances par rapport à une segmentation binaire en deux temps (un modèle pour les DIVs et un autre pour les CVs). Aussi, le transfert d’apprentissage et l’utilisation de blocs scSE ont tous deux dévoilé tout leur intérêt et leur complémentarité. Le premier a permis au modèle de mieux se familiariser avec les images de patients scoliotiques et ainsi étendre la représentation des DIVs et CVs aux déformations qu’ils pouvaient subir dans le contexte de la scoliose. Le second a doté le modèle d’une meilleure capacité de généralisation, ce qui a pour conséquence directe d’avoir une compréhension générale plus large des DIVs et CVs. La contribution que nous apportons à travers ce projet se manifeste par l’intérêt que nous portons à la scoliose en validant notre approche sur des IRMs de patients scoliotiques. À l’instar de ce qui est proposé dans la littérature de segmentation de la colonne vertébrale à partir d’IRM en ayant recours à l’apprentissage profond, notre approche se distingue par la segmentation simultanée des CVs et DIVs, les deux plus importants repères osseux dans le traitement de la scoliose. De plus, le recours à une stratégie qui prend en compte le poids des caractéristiques à travers l’utilisation du bloc scSE n’a pas été explorée dans la littérature. Pour des études futures, nous proposons d’étendre l’architecture actuelle afin d’inclure de l’information multi-modalité et multi-échelle. La première information servira à généraliser le modèle et être performant sur un plus grande nombre de modalités IRM. Le second servira à assurer une invariance par rapport à l’échelle. Pour pallier le problème crucial de manque de données de patients scoliotiques, nous proposons de recourir à un auto-encodeur variationnel dans le but d’apprendre une représentation latente de ces données scoliotiques afin de générer de nouvelles images qui pourraient être utilisées durant l’entraînement. À terme, le modèle proposé permettra une segmentation automatique des disques et des corps vertébraux qui pourra être utilisée dans plusieurs applications cliniques. Une fois le modèle entrainé, un recalage 3D/2D en temps réel d’un modèle préopératoire 3D de la colonne vertébrale et d’une radiographie intra-opératoire pourra être effectué dans le cadre des chirurgies minimalement invasives du rachis. De plus, notre modèle permettra une fusion multimodale automatique d’un volume IRM avec une reconstruction 3D radiographique de la colonne vertébrale et la topographie de surface du tronc, dans le cadre de la simulation de l’effet de la chirurgie de la colonne sur l’apparence externe du tronc de patients.

Date	26 avr. 2019
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Catherine Laporte (Directeur(-trice)) & Farida Cheriet (Codirecteur(-trice))