Apprentissage profond pour la segmentation et la prédiction des maladies des voies aériennes, à l'aide de méthodes innovantes d'imagerie par tomodensitométrie et IRM

Cette thèse se situe à l'interface de l'imagerie médicale, de l'intelligence artificielle et de la pneumologie clinique. Son objectif est de développer des outils de détection et de quantification volumétrique des anomalies structurelles des voies aériennes.La mucoviscidose est choisie comme pathologie modèle pour cette étude, compte tenu de la diversité et de l'intensité de ses atteintes pulmonaires visibles en imagerie. Le suivi quantitatif de cette atteinte est un enjeu clinique majeur complexifié par les limites des modalités d'imagerie actuelles : la tomodensitométrie (TDM), précise mais irradiante, et l'imagerie par résonance magnétique (IRM), non-irradiante mais dépourvue d'outils de quantification validés. L'objectif est de développer des biomarqueurs d'imagerie robustes pour ces deux modalités.Dans une première partie, nous développons et validons un outil robuste pour la TDM, modalité de référence. Nous proposons une méthode d'apprentissage profond basée sur un réseau 3D optimisé pour la segmentation sémantique holistique des anomalies structurelles des voies aériennes. L'enjeu est d'évaluer la validité clinique de cette approche quantitative, notamment sa corrélation avec les marqueurs de sévérité de la maladie et sa sensibilité à la réponse thérapeutique dans des cohortes de patients sous traitements. Enfin, nous évaluons la généralisation de notre approche TDM à d'autres maladies chroniques des voies aériennes présentant une symptomatologie similaire en imagerie, telles que le déficit en Alpha-1 Antitrypsine, afin d'établir son potentiel en tant qu'outil phénotypique transversal.Dans la seconde partie de cette thèse, nous abordons le défi de la quantification sur IRM, pour laquelle les méthodes de segmentation des lésions des voies aériennes sont quasi-inexistantes. Nous introduisons un agent d'apprentissage par renforcement pour adapter dynamiquement la stratégie d'apprentissage du réseau aux spécificités du signal IRM. L'objectif est de démontrer la faisabilité et la pertinence clinique de cette approche en tant qu'alternative non-irradiante.Enfin, la polyvalence de l'approche est démontrée par son application à la segmentation 3D d'images microscopiques dans un modèle murin d'asthme, validant son potentiel au-delà du cadre clinique initial.