Soutenance de thèse de Ludivine MORVAN (équipe SIMS)

Ludivine Morvan, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Prédiction de la progression du myélome multiple par imagerie TEP : adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels » / « Prediction of multiple myeloma progression by PET imaging: adaptation of random survival forests and convolutional neural networks »

mardi 7 décembre 2021 à 16h30, dans l’amphithéâtre du bâtiment S sur le site de Centrale de Nantes. La thèse sera retransmise en direct sur Zoom : https://ec-nantes.zoom.us/j/99490307550 .

Jury :
– Directeur de thèse : Pr. Diana Mateus
– Co-encadrant : Thomas Carlier (Physicien médical, CRCINA – INSERM)
– Rapporteurs : Pr. Su Ruan (Professeure des universités, LITIS) ; Mathieu Hatt (Chercheur, LaTIM)
– Autres membres : Carole Lartizien (Directrice de recherches, CREATIS) ; (Enseignant-chercheur, Imagerie et Cerveau – INSERM)
– Invité : Pr. Françoise Kraeber-Bodéré (Cheffe du service de médecine nucléaire du CHU de Nantes, CRCINA – INSERM)

Résumé : L’objectif de ces travaux est de fournir un modèle permettant la prédiction de la survie et l’identification de biomarqueurs dans le contexte du myélome multiple (MM) à l’aide de l’imagerie TEP (Tomographie à émission de positons) et de données cliniques. Cette thèse fut divisée en deux parties : La première permet d’obtenir un modèle basé sur les forêts de survie aléatoires (RSF). La seconde est basée sur l’adaptation de l’apprentissage profond à la survie et à nos données. Les contributions principales sont les suivantes : 1) Production d’un modèle basé sur les RSF et les images TEP permettant la prédiction d’un groupe de risque pour les patients atteints de MM. 2) Détermination de biomarqueurs grâce à ce modèle 3) Démonstration de l’intérêt des radiomiques TEP 4) Extension de l’état de l’art des méthodes d’adaptation de l’apprentissage profond à une petite base de données et à de petites images 5) Étude des fonctions de coût utilisées en survie. De plus, nous sommes, à notre connaissance, les premiers à investiguer l’utilisation des RSF dans le contexte du MM et des images TEP, à utiliser du pré-entraînement auto-supervisé avec des images TEP et, avec une tâche de survie, à adapter la fonction de coût triplet à la survie et à adapter un réseau de neurones convolutionnels à la survie du MM à partir de lésions TEP.

Mots-clés : Myélome multiple, Réseaux de neurones convolutionnels, Analyse de survie, Forêts de survie aléatoires, Tomographie à Emission de Positons

—————————————————————————————————————————————————————————————————————————————————————-

Abstract: The aim of this work is to provide a model for survival prediction and biomarker identification in the context of multiple myeloma (MM) using PET (Positron Emission Tomography) imaging and clinical data. This PhD is divided into two parts: The first part provides a model based on Random Survival Forests (RSF). The second part is based on the adaptation of deep learning to survival and to our data. The main contributions are the following: 1) Production of a model based on RSF and PET images allowing the prediction of a risk group for multiple myeloma patients. 2) Determination of biomarkers using this model. 3) Demonstration of the interest of PET radiomics. 4) Extension of the state of the art of methods for the adaptation of deep learning to a small database and small images. 5) Study of the cost functions used in survival. In addition, we are, to our knowledge, the first to investigate the use of RSFs in the context of MM and PET images, to use self-supervised pre-training with PET images, and, with a survival task, to fit the triplet cost function to survival and to fit a convolutional neural network to MM survival from PET lesions.

Keywords: Multiple myeloma, Convolutional Neural Network, Survival analysis, Random Survival Forest, Positron Emission Tomography