Prédiction de la progression du myélome multiple par imagerie TEP : Adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels

Prédiction de la progression du myélome multiple par imagerie TEP : Adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels

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...

Description complète

Détails bibliographiques
Auteurs principaux : Morvan Ludivine (Auteur), Mateus Lamus Diana Carolina (Directeur de thèse, Membre du jury), Carlier Thomas (Directeur de thèse, Membre du jury), Lartizien Carole (Président du jury de soutenance, Membre du jury), Ruan Su (Rapporteur de la thèse, Membre du jury), Hatt Mathieu (Rapporteur de la thèse, Membre du jury), Tauber Clovis (Membre du jury), Kraeber-Bodéré Françoise (Membre du jury)
Collectivités auteurs : Centrale Nantes 1991-.... (Organisme de soutenance), École doctorale Sciences et technologies de l'information et mathématiques Nantes (Ecole doctorale associée à la thèse), Laboratoire des Sciences du Numérique de Nantes (Laboratoire associé à la thèse)
Format : Thèse ou mémoire
Langue : français
Titre complet : Prédiction de la progression du myélome multiple par imagerie TEP : Adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels / Ludivine Morvan; sous la direction de Diana Carolina Mateus Lamus et de Thomas Carlier
Publié : 2021
Accès en ligne : Accès Nantes Université
Note sur l'URL : Accès au texte intégral
Note de thèse : Thèse de doctorat : Signal, Image, Vision : Ecole centrale de Nantes : 2021
Sujets :
Réseaux neuronaux (informatique)
Myélome multiple
Analyse de survie (biométrie)
Électrons
Tomographie par émission
Réseaux de neurones convolutionnels
Analyse de survie
Forêts de survie aléatoires
Tomographie à emission de Positons
Thèses et écrits académiques
LEADER 06242nlm a2200721 4500
001 PPN262628775
003 http://www.sudoc.fr/262628775
005 20240924060300.0
029 |a FR  |b 2021ECDN0045 (NNT) 
033 |a http://www.theses.fr/2021ECDN0045 
035 |a (OCoLC)1319856664 
035 |a STAR180325 
100 |a 20220525d2021 k y0frey0103 ba 
101 0 |a fre  |d fre  |d eng 
102 |a FR 
105 |a y ma 00|yy 
135 |a dr||||||||||| 
181 |6 z01  |c txt  |2 rdacontent 
181 1 |6 z01  |a i#  |b xxxe## 
182 |6 z01  |c c  |2 rdamedia 
182 1 |6 z01  |a b 
183 |6 z01  |a ceb  |2 RDAfrCarrier 
200 1 |a Prédiction de la progression du myélome multiple par imagerie TEP  |e Adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels  |f Ludivine Morvan  |g sous la direction de Diana Carolina Mateus Lamus et de Thomas Carlier 
214 1 |d 2021 
230 |a Données textuelles 
304 |a Titre provenant de l'écran-titre 
314 |a Ecole(s) Doctorale(s) : École doctorale Sciences et technologies de l'information et mathématiques (Nantes) 
314 |a Partenaire(s) de recherche : Laboratoire des Sciences du Numérique de Nantes (Laboratoire) 
314 |a Autre(s) contribution(s) : Carole Lartizien (Président du jury) ; Diana Carolina Mateus Lamus, Thomas Carlier, Carole Lartizien, Su Ruan, Mathieu Hatt, Clovis Tauber, Françoise Kraeber-Bodéré (Membre(s) du jury) ; Su Ruan, Mathieu Hatt (Rapporteur(s)) 
328 0 |b Thèse de doctorat  |c Signal, Image, Vision  |e Ecole centrale de Nantes  |d 2021 
330 |a 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 modèle3) 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 petitesimages 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. 
330 |a 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. 
337 |a Configuration requise : un logiciel capable de lire un fichier au format : PDF 
541 | |a Prediction of multiple myeloma progression by PET imaging  |e adaptation of random survival forests and convolutional neural networks  |z eng 
606 |3 PPN030971098  |a Réseaux neuronaux (informatique)  |2 rameau 
606 |3 PPN050567268  |a Myélome multiple  |2 rameau 
606 |3 PPN03258864X  |a Analyse de survie (biométrie)  |2 rameau 
606 |3 PPN027850773  |a Électrons  |2 rameau 
606 |3 PPN032119607  |a Tomographie par émission  |2 rameau 
608 |3 PPN027253139  |a Thèses et écrits académiques  |2 rameau 
610 0 |a Réseaux de neurones convolutionnels 
610 0 |a Analyse de survie 
610 0 |a Forêts de survie aléatoires 
610 0 |a Tomographie à emission de Positons 
686 |a 620  |2 TEF 
700 1 |3 PPN262043181  |a Morvan  |b Ludivine  |f 1994-....  |4 070 
701 1 |3 PPN140624740  |a Mateus Lamus  |b Diana Carolina  |f 1980-....  |c auteure en mathématiques appliquées  |4 727  |4 555 
701 1 |3 PPN127024263  |a Carlier  |b Thomas  |f 1973-  |4 727  |4 555 
701 1 |3 PPN077761928  |a Lartizien  |b Carole  |4 956  |4 555 
701 1 |3 PPN103912126  |a Ruan  |b Su  |f 19..-....  |c enseignante-chercheuse en informatique  |4 958  |4 555 
701 1 |3 PPN174975155  |a Hatt  |b Mathieu  |4 958  |4 555 
701 1 |3 PPN094593396  |a Tauber  |b Clovis  |f 1976-....  |4 555 
701 1 |3 PPN073740314  |a Kraeber-Bodéré  |b Françoise  |f 1969 -....  |4 555 
711 0 2 |3 PPN03063525X  |a Centrale Nantes  |c 1991-....  |4 295 
711 0 2 |3 PPN134103211  |a École doctorale Sciences et technologies de l'information et mathématiques  |c Nantes  |4 996 
711 0 2 |3 PPN203637585  |a Laboratoire des Sciences du Numérique de Nantes  |4 981 
801 3 |a FR  |b Abes  |c 20220525  |g AFNOR 
856 4 |q PDF  |s 6449014  |u http://www.theses.fr/2021ECDN0045/document  |z Accès au texte intégral 
856 4 |u http://www.theses.fr/2021ECDN0045/abes 
856 4 |u https://tel.archives-ouvertes.fr/tel-03678933 
930 |5 441092306:733143911  |b 441092306  |j g 
991 |5 441092306:733143911  |a exemplaire créé automatiquement par STAR 
998 |a 927077