Thyrosonics: Learning-based detection and classification of thyroid nodules from ultrasound images
Thyrosonics : L'apprentissage automatique pour la détection et classification des nodules thyroïdiens dans les images échographiques
Résumé
Ultrasound imaging is an essential technique for evaluating the risk of malignancy in thyroid nodules. Despite its usefulness, thyroid ultrasound is limited by its operator dependence, both for image acquisition and interpretation. As a result, many machine learning algorithms (which have had great success on natural and medical images) have been proposed to automatically interpret thyroid ultrasound images.
The interest in this area stimulated by the promise of AI has led to an abundance of publications proposing algorithms for the detection, segmentation, and classification of thyroid nodules, as well as to the creation of multiple commercial products marketed to medical practitioners. Despite all of these tools, the actual impact on the daily practice of French endocrinologists and radiologists has been fairly minor; this limitation is largely due to the fact that most of these algorithms do not take into account the clinical context of thyroid ultrasound in France.
The goal of this thesis is therefore to explore the unique aspects of thyroid ultrasound in France, in order to identify potential opportunities for improvement using machine learning.
The first chapter consists of an examination of the inter-expert variability in the evaluation of thyroid ultrasound. A multicentric study using real ultrasound images acquired during the course of the clinical practice of four French experts gives an indication of which aspects of evaluation are difficult for clinicians. The results allow for the identification of ultrasound features of thyroid nodules whose description generates disagreement between practitioners and leads to consequences for the care of patients.
The second chapter goes into more detail about one of the ultrasound features used by experts: echogenicity. Building on the previous chapter, the possibility using a machine learning tool to help non-expert practitioners distinguish between hyper-/isoechoic nodules and hypoechoic nodules is explored. Then, quantitative differences between images are investigated to examine the robustness of expert labels, and the reproducibility of the ultrasound examination.
The third chapter addresses the difficulties of obtaining expert annotations for training and refining machine learning algorithms for thyroid ultrasound. Given the previous results, it is clear that obtaining expert consensus labels to create transparent algorithms is enormously time-consuming. In order to reduce the annotation burden for the development of these algorithms, active learning strategies to train neural networks with fewer labels are explored. This chapter presents the limitations of these strategies on real clinical data, and also proposes an active learning technique that blends classic selection criteria with the representative power of random sampling.
Finally, the last chapter explores quantitative ultrasound as a future means to improve the evaluation of thyroid nodules. By using simulations of soft tissue and of a real ultrasound probe, neural networks are applied to map the nonlinear parameter of a propagation medium based on the raw signal received by the transducer. This strategy uses a combination of pulses to create a signal that is better suited to be analyzed by the network.
The contributions of this thesis seek to better contextualize the use of machine learning for thyroid ultrasound, in order to allow these techniques to advance towards applications with a real, lasting impact on clinical practice.
L’échographie est une technique indispensable pour l’évaluation du risque de malignité des nodules thyroïdiennes. Malgré son utilité, l’échographie thyroïdienne reste limitée par sa dépendance à l'expérience de l’opérateur, autant pour l’acquisition que pour l’interprétation. C'est pourquoi des algorithmes d’apprentissage automatique, ayant connu de grands succès sur des images naturelles et médicales, ont été proposés aussi pour l’interprétation des images échographiques thyroïdiennes.
L’intérêt suscité dans ce domaine par la promesse de l’IA a mené à un grand nombre de publications proposant des algorithmes pour la détection, segmentation, et classification de nodules, ainsi qu'à la création de plusieurs produits commerciaux pour la pratique clinique. Malgré tous ces outils, l’impact réel sur la pratique des endocrinologues et radiologues français reste faible ; cette limitation correspond dans une large mesure au fait que la majorité de ces algorithmes ne prennent pas en compte le contexte clinique de l’échographie thyroïdienne en France.
L’objet de cette thèse est donc d’explorer les particularités de l’échographie thyroïdienne en France, afin d’identifier les possibles pistes d’amélioration en utilisant les méthodes de l’apprentissage automatique.
Le premier chapitre consiste à examiner la variabilité inter-expert en évaluation de l’échographie thyroïdienne. Une étude multicentrique utilisant des images échographiques acquises au fil de l’eau de la pratique clinique de quatre experts français donnent une indication des points de difficulté pour les médecins. Les résultats permettent d’identifier les caractéristiques échographiques des nodules thyroïdiens dont la description génère des différences significatives entre les praticiens, et entraîne des conséquences sur la prise en charge des patients.
Le deuxième chapitre entre plus dans le détail de l’une des caractéristiques échographiques utilisées par les experts : l’échogénicité. En continuité du chapitre précédent, la possibilité de se servir d’un outil d’apprentissage automatique pour aider les praticiens non-experts à distinguer entre des nodules hyper-/isoéchogènes et nodules hypoéchogènes est explorée. Ensuite, les différences quantitatives entre les images sont étudiees pour évaluer la robustesse de la vérité terrain, et la reproductibilité de l’examen échographique.
Le troisième chapitre s'intéresse à la difficulté d’obtenir des annotations expertes pour l’entraînement et le raffinement d’algorithmes d’apprentissage automatique en échographie thyroïdienne. Á partir des résultats précédents, il est évident que l’obtention d'un consensus sur les étiquettes des experts pour entraîner des algorithmes demanderait un temps considérable. Afin de réduire ce coût pour le développement des algorithmes, des stratégies d’apprentissage actif pour entraîner des réseaux de neurones avec moins d'annotations sont explorées. Ce chapitre présente les limitations de ces stratégies sur des vraies données cliniques, et propose aussi une technique d’apprentissage actif qui mélange des critères de sélection classiques avec la représentativité de l'échantillonnage au hasard.
Le dernier chapitre explore l’échographie quantitative comme piste future pour améliorer l’évaluation des nodules thyroïdiens. En utilisant des simulations numériques de tissus mous et d’une vraie sonde échographique, des réseaux de neurones sont entrainés pour estimer le paramètre non linéaire d’un milieu de propagation à partir du signal brut reçu au niveau de la sonde. La stratégie utilise une combinaison de pulses pour créer un signal plus apte à être traité par le réseau.
Les contributions de cette thèse cherchent à mieux contextualiser l’utilisation de l’apprentissage automatique dans l’échographie thyroïdienne, afin de permettre ces techniques d’avancer vers des applications ayant un vrai impact durable sur la pratique clinique.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|