Résumé

L’accident vasculaire cérébral ischémique (AVC), touchant 12,2 millions de personnes dans le monde,
est causé par un caillot bloquant la circulation sanguine dans une partie du cerveau, entraînant une
nécrose des tissus. Deux modalités d’imagerie sont utilisées pour sa prise en charge : l’Imagerie par
Résonance Magnétique (IRM) (coûteuse, avec un équipement spécifique et un temps d’acquisition
long) et le scanner à rayons X (moins cher, plus rapide, mais offrant des images de moindre qualité,
avec des lésions d’AVC moins contrastées). Cette thèse vise à segmenter automatiquement les
lésions d’AVC à partir d’images de scanner, une modalité souvent négligée en raison de sa complexité
par rapport à l’IRM. Deux axes sont abordés : (i) identifier les limites et défis de la segmentation des
lésions d’AVC sur scanner, (ii) améliorer les performances des algorithmes automatiques, en se
concentrant autour du contraste lésion-tissu sain, évalué via le ratio de Fisher. Un jeu de données
comprenant 108 patient·es est utilisé, avec une IRM à l’inclusion, un scanner à 24 heures, et une IRM
à 6 jours. Un masque de référence des lésions finales est disponible. Une première analyse des
méthodes de l’état de l’art (U-Net, cGAN, Mask R-CNN, UNETR) montre que le U-Net est plus
efficace, performances et coût computationnel combinés. Les premiers résultats suggérant un
plafonnement des performances lié au contraste, une méthode a été développée pour définir un
seuil en dessous duquel les images n’apportent pas d’information pertinente. En excluant les images
avec un ratio de Fisher <0.05 (60% des données), les modèles performent aussi bien qu’avec
l’ensemble des données. Pour dépasser les limites des réseaux de neurones, nous avons exploré des
approches d’entraînement, notamment l’apprentissage curriculaire, qui introduit les données
progressivement selon une métrique de difficulté. En plus du contraste, la taille des lésions et une
métrique issue de la fonction de coût ont été testées comme métrique de difficulté, améliorant les
performances de segmentation. Pour mieux comprendre les mécanismes des réseaux neuronaux,
nous avons développé une méthode de représentation des caractéristiques extraites par les
modèles, basée sur la force d’activation des neurones. Cela a permis de révéler les disparités entre
les deux modalités d’imagerie et d’engager des discussions avec le personnel médical sur des
méthodes pour guider l’extraction de caractéristiques spécifiques. Enfin, nous avons conçu une tâche
prétexte pour l’apprentissage auto-supervisé, axée sur la segmentation de zones anatomiques liées
aux lésions d’AVC définies par le score ASPECT. Comparée à une tâche de classification par rotation
et remplissage d’images, cette méthode montre des résultats prometteurs pour la segmentation,
surtout lorsque moins de données annotées sont disponibles. Ce travail approfondit la
compréhension des difficultés liées à la segmentation des lésions d’AVC sur scanner et explore des
pistes d’amélioration, ouvrant de nombreuses perspectives pour l’avenir.

Mots-clés : apprentissage profond,segmentation,AVC,scanner CT