Deep Learning Models for Brain Cancer Segmentation and Prognostic Analysis

Abstract

L'apprentissage profond (DL) a introduit un potentiel transformateur dans le diagnostic médical, notamment en oncologie,

où la complexité des structures tumorales représente un défi majeur pour la planification des traitements. La segmentation précise des tumeurs cérébrales à partir d'images par résonance magnétique (IRM) est une première étape cruciale, et les progrès récents en apprentissage profond ont considérablement amélioré l'efficacité et la fiabilité de ce processus. En intégrant ces résultats de segmentation précis aux données cliniques et génétiques, l'analyse pronostique peut être sensiblement améliorée, ouvrant la voie à une prédiction tumorale plus précise et à une aide à la décision clinique plus robuste.

Cette thèse vise à développer et à évaluer un pipeline complet pour l'analyse des tumeurs cérébrales, de la segmentation à la prédiction de la survie. Elle se concentre sur la comparaison d'architectures d'apprentissage profond avancées pour la segmentation des tumeurs cérébrales et explore l'adaptation de modèles de vision à grande échelle et à usage général à cette tâche médicale spécialisée. L'objectif final est de fusionner les caractéristiques d'imagerie avec les données cliniques et génétiques afin d'estimer avec précision la probabilité de survie des patients et de stratifier les niveaux de risque, améliorant ainsi les stratégies de traitement personnalisées. Ce travail propose une exploration approfondie des modèles d'apprentissage profond (DL), tant établis que de pointe, pour la segmentation et le pronostic des tumeurs cérébrales.

La première contribution consiste en une analyse comparative de modèles de segmentation,

incluant un U-Net standard, un DeepResUNet et un U-Net basé sur VGG19, ainsi que des modèles fondamentaux comme un modèle Segment Anything Model (SAM) affiné et le modèle spécialisé Medical Segment Anything Model (MedSAM).

Les résultats ont souligné l'efficacité de MedSAM, qui a démontré des performances supérieures. La seconde contribution introduit un pipeline d'analyse pronostique exploitant les caractéristiques extraites des masques de segmentation. Ce pipeline s'est avéré très efficace : le modèle Support Vector Machine (SVM) a démontré une remarquable capacité à identifier avec précision les patients à haut risque, tandis que le modèle XGBoost a démontré un fort pouvoir prédictif pour la classification des patients à faible risque.

Dans l'ensemble, ces contributions valident une approche intégrée et performante pour l'analyse du cancer du cerveau. Les résultats confirment que l'utilisation conjointe d'architectures basées sur les réseaux de neurones convolutifs (CNN) et de modèles fondamentaux affinés permet d'obtenir des délimitations tumorales très précises. De plus, l'intégration réussie de ces résultats de segmentation dans un processus de pronostic démontre le rôle crucial de l'analyse d'images automatisée pour une prise en charge clinique personnalisée et plus efficace des tumeurs cérébrales.