Artificial Intelligence Methods to Assist the Diagnosis of Pancreatic Diseases in Radiology
Méthodes d'Intelligence Artificielle pour l'Aide au Diagnostic des Maladies du Pancréas en Radiologie
Résumé
With its increasing incidence and its five- year survival rate (9%), pancreatic cancer could be- come the third leading cause of cancer-related deaths by 2025. These figures are primarily attributed to late diagnoses, which limit therapeutic options. This the- sis aims to assist radiologists in diagnosing pancrea- tic cancer through artificial intelligence (AI) tools that would facilitate early diagnosis. Several methods have been developed. First, a method for the automatic segmentation of the pancreas on portal CT scans was developed. To deal with the specific anatomy of the pancreas, which is characterized by an elonga- ted shape and subtle extremities easily missed, the proposed method relied on local sensitivity adjust- ments using geometrical priors. Then, the thesis tack- led the detection of pancreatic lesions and main pan- creatic duct (MPD) dilatation, both crucial indicators of pancreatic cancer. The proposed method started with the segmentation of the pancreas, the lesion and the MPD. Then, quantitative features were extracted from the segmentations and leveraged to predict the presence of a lesion and the dilatation of the MPD. The method was evaluated on an external test cohort comprising hundreds of patients. Continuing towards early diagnosis, two strategies were explored to de- tect secondary signs of pancreatic cancer. The first approach leveraged large databases of healthy pan- creases to learn a normative model of healthy pan- creatic shapes, facilitating the identification of anoma- lies. To this end, volumetric segmentation masks were embedded into a common probabilistic shape space, enabling zero-shot and few-shot abnormal shape de- tection. The second approach leveraged two types of radiomics: deep learning radiomics (DLR), extracted by deep neural networks, and hand-crafted radiomics (HCR), derived from predefined formulas. The propo- sed method sought to extract non-redundant DLR that would complement the information contained in the HCR. Results showed that this method effectively de- tected four secondary signs of pancreatic cancer: ab- normal shape, atrophy, senility, and fat replacement. To develop these methods, a database of 2800 exa- minations has been created, making it one of the lar- gest for AI research on pancreatic cancer.
Avec l’augmentation de son incidence et son taux de survie à cinq ans (9%), le cancer du pancréas pourrait devenir la troisième cause de décès par cancer d’ici 2025.Ces chiffres sont notamment dus aux diagnostics tardifs, limitant les options thérapeutiques. Cette thèse vise à assister les radiologues dans le diagnostic du cancer du pancréas sur des images scanner grâce à des outils d’intelligence artificielle (IA) qui faciliteraient un diagnostic précoce. Pour atteindre ces objectifs, trois pistes de recherche ont été explorées. Premièrement, une méthode de segmentation automatique du pancréas a été développée. Le pancréas présentant une forme allongée et des extrémités subtiles, la méthode proposée utilise des informations géométriques pour ajuster localement la sensibilité de la segmentation. Deuxièmement, une méthode réalise la détection des lésions et de la dilatation du canal pancréatique principal (CPP), deux signes cruciaux du cancer du pancréas. La méthode proposée commence par segmenter le pancréas, les lésions et le CPP. Ensuite, des caractéristiques quantitatives sont extraites des segmentations prédites puis utilisées pour prédire la présence d’une lésion et la dilatation du CPP. La robustesse de la méthode est de montrer sur une base externe de 756 patients. Dernièrement, afin de permettre un diagnostic précoce, deux approches sont proposées pour détecter des signes secondaires. La première utilise un grand nombre de masques de segmentation de pancréas sains pour apprendre un modèle normatif des formes du pancréas. Ce modèle est ensuite exploité pour détecter des formes anormales, en utilisant des méthodes de détection d’anomalies avec peu ou pas d’exemples d’entraînement. La seconde approche s’appuie sur deux types de radiomiques : les radiomiques profonds (RP), extraits par des réseaux de neurones profonds, et les radiomiques manuels (RM), calculés à partir de formules prédéfinies. La méthode extrait des RP non redondants par rapport à un ensemble prédéterminé de RM afin de compléter l’information déjà contenue. Les résultats montrent que cette méthode détecte Efficacement quatre signes secondaires : la forme anormale, l’atrophie, l’infiltration de graisse et la sénilité. Pour élaborer ces méthodes, une base de données de 2800 examens a été constituée, ce qui en fait l’une des plus importantes pour la recherche en IA sur le cancer du pancréas.
| Origine | Version validée par le jury (STAR) |
|---|