Radiomics

Radiomics : une approche innovante pour la caractérisation des tumeurs par
analyse d'images : application aux tumeurs hépatiques
Actuellement,laméthodestandardpourévaluerlanatured’unetumeur(phénotype)consisteàeffectuer
unebiopsieetàréaliseruneanalyseanatomopathologiquesurlestissusprélevés.Cetteméthodesouffrede
plusieursinconvénients.Labiopsie,gesteinvasif,peutêtrecompliquée,voireimpossibleàréaliserenraison
dedifficultésd’accèsàlatumeur.L’analyseanatomopathologiquequantàelleesttoujoursrestreinteàune
partielocaliséedelatumeur,alorsquecelleciestconstituéedetissusextrêmementhétérogènes.Pour
palliercesdéfauts,unenouvelleméthode,nomméeradiomics,s’appuyantsurdestechniquesavancées
d’imagerie(noninvasives),proposedecaractériserlestumeursuniquementàpartirdel’imageacquise.Des
algorithmesd’extractionenmassededescripteursd’images,sontassociésàdesméthodesde«machine
learning»(apprentissage,classification)surlestumeurssegmentéesparunradiologue,afindedéterminer
automatiquementlephénotype(nature,grade=degrédegravité)decettedernière.
Figure 1 Radiomics feature extraction process (here for lung tumors)
Cettetechniqueadonnéd’excellentsrésultatspourlestumeursdupoumon[1]etsembleprometteusepour
lestumeurshépatiques[2].
Cestages’inscritdansleprojetRADIAL(RADiomicsImageAnalysisforLiver)financéparl’IHUdeStrasbourg,
etapourobjectifauboutde3ans,defournirunserviceenlignedediagnosticradiomiquepourlestumeurs
hépatiques.Cestageporterasurl’étudebibliographiquedesalgorithmes,descripteursetmodèle
d’apprentissagesutilisésdanslesméthodesRadiomics.Lestagiaireseraenchargededévelopperlesocle
logicielquiserautilisélorsduprolongemententhèsedecestage.Ilimplémenteralesdescripteursetles
testerasurunebased’imagessegmentéesdéjàdisponibleàl’IRCAD(plusieurscentainesdecas).Ilproposera
destechniquesd’apprentissagesbaséessurcesdescripteurs.
Lestagiaire,ayantunevolontédepoursuivreenthèse,devraavoirdebonnesconnaissancesentraitement
d’imagesetenmachinelearning.LesdéveloppementsserontprincipalementréalisésenPythonetC++.Une
connaissancedeslibrairiesdel’écosystèmescientifiquedePythonseraitgrandementappréciée.
L’environnementdetravailserad’unemanièregénéralesousLinux(cetravailapourobjectifd’êtreinclus
dansuncontainerDockerafind’êtreplusfacilementintégrableentantqueserviceàlaplateformeweb,par
notreéquipededéveloppement).
[1]Gillies,R.J.,etal(2015).Radiomics:ImagesAreMorethanPictures,TheyAreData.Radiology,278(2),151—169
[2]Kuo,M.D.etal(2007).RadiogenomicAnalysistoIdentifyImagingPhenotypesAssociatedwithDrugResponseGene
ExpressionProgramsinHepatocellularCarcinoma.JournalofVascularandInterventionalRadiology,18(7),821–830.
Encadrants:
VincentAgnus,ChargédeRecherche(IRCAD)
FabriceHeitz,ProfesseurEquipeMIV(ICube),
VincentNoblet,IngénieurdeRecherche–HDREquipeMIV(ICube),
Mél:stag[email protected]
Développement:
Linux/Windows
Python/C++
ITK,numpy,Scipy,
Scikitlearn
Mercurial
MéthodologieScrum
Rémunération:1100€brut/mois
Durée du stage:6mois
Date de début du stage :durantle1ertrimestre2017
Lieu du stage :IRCAD–1,placedel’hôpital,67091Strasbourg