ENACT Transport optimal pour la classification automatique et la modélisation de données spectroscopiques multimodales : application au diagnostic in vivo de cancers de la peau

Mots clés

Transport Optimal, Spectro-imagerie, Problèmes inverses, Multimodal, Cancer, Peau

Détail de l'offre

1. Contexte de recherche

Les procédures cliniques standard de diagnostic des cancers de la peau impliquent des examens visuels, suivis de biopsies chirurgicales, qui sont invasives et pas toujours précises [1]. En revanche, les méthodes de spectro-imagerie optique ont un potentiel pour la caractérisation non invasive des cancers. Leur intérêt réside dans leur sensibilité aux modifications de la peau lors des changements structurels au cours du développement des cancers. Dans ce contexte, le CRAN a développé le dispositif SpectroLive [2], dont l'essai clinique a permis de recueillir l'une des plus grandes bases de données de mesures in vivo de réflectance diffuse (RD) et d'autofluorescence (AF) résolues spatialement et spectralement [3].

Ce projet porte sur l'estimation inverse des propriétés optiques (PO) de la peau à partir de spectres AF et RD. L'identification des PO est cruciale car elle permet de déduire les causes des modifications observées, apportant de nouvelles connaissances sur les cancers de la peau. Ce problème mal posé est difficile à résoudre, car les caractéristiques cutanées présentent de fortes variations inter- et intra-individuelles. Cette hétérogénéité entrave les traitements automatiques et requiert des procédures de normalisation [4] qui n'améliorent pas toujours la précision de la classification [5]. Pour y remédier, la conception d'un score de similarité entre les données spectroscopiques robuste à cette variabilité joue un rôle central.

Le transport optimal (TO) permet de comparer des distributions sur des critères géométriques, contrairement aux métriques usuelles telles que la distance euclidienne. De manière informelle, le TO mesure l'effort nécessaire pour déplacer toute la masse d'une distribution sur l'autre. Des travaux récents ont montré que ce type de distance est plus pertinent lorsqu'il s'agit de comparer, par exemple, des spectres moléculaires [6]. Les TO non équilibré (TON) [7] seront particulièrement étudiées dans cette thèse.

2. Projet de recherche

Une idée clé de ce projet est que l'intégration du TO dans le traitement permettra de réduire la sensibilité des méthodes à la variabilité des spectres. L'objectif sera d'étudier l'utilisation du TON comme mesure de similarité entre les spectres lors de l'estimation inverse de PO. Plus précisément, nous considèrerons les trois défis suivants.

(A) Le TON permet de traiter des distributions avec des normalisations différentes. Ceci est pertinent dans notre contexte où les données in vivo souffrent de problèmes de normalisation. L'étalonnage des performances du TON pour le clustering de spectres AF ou DR sera le premier objectif de cette thèse.

(B) L'ajustement des modèles de Monte Carlo aux données spectroscopiques, afin d'estimer les PO des tissus cutanés, requiert des fonctions de perte adéquates sur les spectres. La deuxième partie de cette thèse consiste à étudier l'utilisation de distances TON comme termes d'attache aux données dans l'estimation inverse. Il s'agira notamment de trouver un compromis entre une reconstruction des PO fiable, et la calculabilité de l'algorithme. En particulier, nous aurons recours à des approximations numériques du TON, telles que la régularisation entropique [8] ou le TO tranché [9].

(C) Bien que les données spectroscopiques présentent une grande variabilité, il existe des corrélations entre les marqueurs OP de tissus similaires. Pour en tirer parti, nous étudierons l'utilisation des termes de couplage OT entre les OP de plusieurs échantillons lors de la résolution du problème inverse (une idée similaire a été envisagée dans [10] pour les données EEG/MEG). Ces marqueurs consistent en des vecteurs de coefficients (par exemple, diffusion, absorption) dépendant de la longueur d'onde, et peuvent être modélisés comme des distributions à valeurs vectorielles. Nous aurons donc recours à l'OT vectoriel pour effectuer ce couplage, en adaptant les approximations standard de l'OT à ce cadre vectoriel difficile.