Résumé :

Les métastases sont un groupe de cellules anormales qui se développe en dehors des limites de l’organe d’origine et se propagent à d’autres organes. En particulier, les métastases osseuses proviennent d’un organe du corps, tel que le sein, le poumon ou la prostate, et se propagent à l’os. Bien que cette maladie ait été découverte il y a plus d’un siècle, elle n’est toujours pas bien définie et les traitements existants sont peu efficaces, probablement parce qu’elle est difficile et longue à détecter. Pour aider les médecins, les nouveaux techniques d’apprentissage automatique sont une solution pour améliorer la précision globale. Cette thèse vise à aider les radiologues à détecter systématiquement les métastases osseuses à l’aide d’algorithmes d’apprentissage automatique. Cependant, La découverte de biais méthodologiques dans les études sur le diagnostic des métastases osseuses et l’absence de consensus sur l’interprétabilité de l’apprentissage automatique ont déplacé l’objectif de cette thèse. Elle se concentre désormais principalement sur la collecte de données et sur la résolution des problèmes de validation et d’interprétabilité de l’apprentissage automatique. Afin d’évaluer correctement la capacité de l’apprentissage automatique à détecter les métastases osseuses, trois études expérimentales ont été menées. La première propose une nouvelle approche de segmentation soutenue par un mécanisme d’attention pour localiser les lésions osseuses. La deuxième est une étude des méthodes d’apprentissage automatique pour l’identification des cas de métastases osseuses. Enfin, la dernière étude met en évidence le manque de robustesse de la classification à l’aide de méthodes d’apprentissage automatique et propose une méthode pour améliorer la précision basée à la fois sur l’approche CNN et Transformer. Les résultats expérimentaux de cette thèse sont évalués sur l’ensemble de données BM-Seg que nous avons introduit, qui est le premier ensemble de données de référence pour la segmentation et la classification des métastases osseuses à l’aide de tomodensitogrammes. Cette base de données open source a été utilisé pour améliorer la reproductibilité des expériences d’apprentissage automatique. Les résultats trouvés lors des différentes études préliminaires sont encourageants et prometteurs

Abstract :

Metastases are a group of abnormal cells that develop outside the confines of the original organ and spread to other organs. In particular, bone metastases originate from an organ in the body, such as the breast, lung or prostate, and spread to the bone. Although this disease was discovered over a century ago, it is still not well defined and existing treatments are not very effective, probably because it is difficult and time-consuming to detect. To help doctors, new machine learning techniques offer a solution for improving overall accuracy. This thesis aims to help radiologists systematically detect bone metastases using machine learning algorithms. However, the discovery of methodological biases in studies on the diagnosis of bone metastases and the lack of consensus on the interpretability of machine learning have shifted the focus of this thesis. It now focuses mainly on data collection and on solving the problems of validation and interpretability of machine learning. In order to properly assess the ability of machine learning to detect bone metastases, three experimental studies were conducted. The first proposed a new segmentation approach supported by an attention mechanism for locating bone lesions. The second is a study of machine learning methods for identifying cases of bone metastases. Finally, the last study highlights the lack of robustness of classification using machine learning methods and proposes a method for improving accuracy based on both the CNN and Transformer approaches. The experimental results of this thesis are evaluated on the BM-Seg dataset that we introduced, which is the first reference dataset for the segmentation and classification of bone metastases using CT scans. This open source database was used to improve the reproducibility of machine learning experiments. The results of the various preliminary studies are encouraging and promising.