Thesis by LEHAIRE Jérome

Prostate cancer detection and characterization based on 1.5T multiparametrics MRI
Defended on 4 october 2016
Prostate cancer is the most frequent and the fourth leading cause of mortality in France. Actual diagnosis methods are often insufficient in order to detect and precisely localize cancer. Multiparametrics MRI is now one of the most promising method for accurate follow-up of the disease. However, the visual interpretation of MRI is not easy and it is shown that there is strong variability among expert radiologists to perform diagnosis, especially when MR sequences are contradictory. Under these circumstances, a strong interest is for Computer-aided diagnosis systems (CAD) aiming at assisting expert radiologist in their final decision. This thesis presents our work toward the conception of a CADe which final goal is to provide a cancer probability map to expert radiologist. This study is based on a rich dataset of 49 patients made of T2w, dynamic and diffusion MR images. The ground truth was obtained through strict process of annotations and correlation between histology and MRI. This thesis focuses both for cancer detection and characterization in order to provide a cancer probability map correlated to cancer agressiveness (Gleason score). To that end we used a dictionary learning method to extract new features to better characterize cancer agressiveness signatures as well as image features. Those features are then used as an input to Support Vector Machines (SVM) and Logistic Regression (LR) classifiers to produce a cancer probability map. We then focused on discriminating agressive cancers (Gleason score >6) from other tissues and provided an analysis of the correlation between cancer agressiveness and probabilities. Our work conclude on a strong capability to distinguish agressive cancer from other tissues but fails to precisely distinguish intermediate grades of cancers (Gleasons 6, 7, 8 and 9).


Détection et caractérisation du cancer de la prostate par images IRM 1.5T multiparamétriques
Soutenue le 4 October 2016
Le cancer de la prostate est le plus courant en France et la 4ième cause de mortalité par cancer. L’imagerie IRM multiparamétrique est une technique d’imagerie prometteuse pour le diagnostic et la prise en charge de ce cancer. Néanmoins, l’interprétation visuelle des multiples séquences IRM n’est pas aisée. Dans ces conditions, un fort intérêt s’est porté sur le développement de systèmes d’aide au diagnostic (CAD) dont le but est d’assister le radiologue dans ses décisions. Cette thèse présente la conception d’un système CAD qui fournit au radiologue une cartographie probabiliste des localisations cancéreuses dans la zone périphérique de la prostate. Ce CAD repose sur une base d’images IRM multi-paramétrique (IRM-mp) 1.5T, comprenant pour chacun des 49 patients inclus, une image pondérée en T2, une série d’images de perfusion en pondération T1 et une image de diffusion. La localisation des lésions suspectes est obtenue par la confrontation des annotations de chaque image réalisées par deux radiologues avec l’analyse des coupes histologiques des pièces de prostate. Pour cette étude, nous avons utilisé une méthode d’apprentissage de dictionnaires permettant d’extraire de nouvelles caractéristiques descriptives dont l’objectif est de discriminer chacun des cancers. Cet ensemble de descripteurs, obtenu à l’échelle du voxel, est utilisé pour apprendre un modèle de classification permettant de prédire la classe de chaque voxel et de produire ainsi une cartographie de la probabilité de présence du cancer. Deux méthodes de classification supervisée ont été comparées, la régression logistique et le séparateur à vaste marge (SVM). Dans cette étude, nous avons concentré nos efforts sur la discrimination des cancers agressifs (Gleason>6) et fourni une analyse de la corrélation entre probabilités et scores de Gleason. Le système développé montre de très bonnes performances de détection des cancers agressifs mais ne permet pas, en revanche, de distinguer les grades intermédiaires (Gleasons 6, 7, 8 et 9) du cancer.