Analyse d'images médicales pour la prise en charge des patients atteints par le COVID-19 (2ème édition sur le COVID-19)

Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.

Inscriptions closes à cette réunion.

Inscriptions

60 personnes membres du GdR ISIS, et 20 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 92 personnes.

Annonce

Date: le 05/05 à 14h

La réunion aura lieu par visioconférence. Les identifiants seront directement envoyés aux participants inscrits, au cours de la matinée précédant la réunion.

Suite au succès de la première réunion en ligne « Panorama des initiatives pour l'aide au diagnostic du COVID-19 par l'imagerie médicale », le 16 avril, nous organisons une 2ème édition sur le COVID-19. L'imagerie médicale comme les rayons X et la tomodensitométrie (TDM) joue un rôle essentiel dans la lutte mondiale contre le COVID-19. Les technologies d'intelligence artificielle (IA) émergentes renforcent la puissance des outils de l'analyse des images pour aider les médecins. L'objectif de cette réunion est de faire un tour d'horizon de l'application de l'IA en imagerie médicale pour lutter contre le COVID-19.

Nous avons invité le Pr Dinggang SHEN (UNC, USA), renommé dans le domaine de l'imagerie médicale (voir bio plus bas). Il présentera les récents travaux sur l'application de l'IA dans le diagnostic et la prédiction de la progression du COVID-19 à partir de l'imagerie médicale.

Appel à communications

Le programme inclura également des communications pour lesquelles un appel à contributions est lancé. Si vous souhaitez présenter vos travaux, merci d'envoyer vos propositions le 2 mai 2020 au plus tard (titre, auteurs, affiliation, résumé de 5 lignes) aux organisateurs :

Carole Lartizien : Carole.Lartizien@creatis.insa-lyon.fr
Caroline Petitjean : caroline.petitjean@univ-rouen.fr
Nicolas Thome : nicolas.thome@cnam.fr
Su Ruan : su.ruan@univ-rouen.fr

Orateur invité :

Pr. Dinggang SHEN is Jeffrey Houpt Distinguished Investigator, and a Professor in the Department of Radiology and BRIC at UNC-Chapel Hill. He is Fellow of IEEE, Fellow of The American Institute for Medical and Biological Engineering (AIMBE), and also Fellow of The International Association for Pattern Recognition (IAPR). He is on the Advisory Board of Physics in Medicine & Biology (PMB), Medical Image Analysis, IEEE Transactions on Biomedical Engineering, IEEE Journal of Biomedical and Health Informatics (J-BHI), Pattern Recognition, Computerized Medical Imaging and Graphics, International Journal of Image and Graphics, CMBBE: Imaging & Visualization, and Brain Informatics, and Cognitive Computation (Springer Neuroscience, USA), and also the Editorial Board of the Journal of Alzheimer's Disease (2016-2017).
Ses publications sont sur https://scholar.google.com/citations?user=v6VYQC8AAAAJ&hl=en

Programme

Compte-rendu :

Les présentations et la structuration du GR GDR-ISIS:

https://ent.normandie-univ.fr/filex/get?k=1gTxE9YYEZTTa84FgkJ

Si vous êtes intéressé par une action du GR, contactez les amimateurs. La participation au GR est ouverte à tous.

Orateur invité

- Applications of Artificial Intelligence (AI) in Imaging-based Diagnosis, Progress Prediction, and Longitudinal Comparison of COVID-19

Pr. Dinggang SHEN, Professor in the Department of Radiology and BRIC at UNC-Chapel Hill, US.

Communications

- AI-Driven quantification, staging and short-term outcome prediction of COVID-19 pneumonia based on CTs.

Maria VAKALOPOULOU, Assistant Professor at Centrale Supélec, University of Paris-Saclay

- Les réseaux neuronaux parcimonieux : application au covid-19

Mohamed MASMOUD, Professor of Applied Mathematics, Institut de Mathématiques de Toulouse (IMT)

- Retour sur le Datathon ScanCovid-IA

Alain LALANDE, MCU-PH, Laboratoire ImViA, Université de Bourgogne / CHU Dijon

- Multi-task deep learning based CT imaging analysis for COVID-19

Amine AMYAR, PhD Student, General Electric Healthcare at BUC, Litis- Quantif, Université de Rouen

Table Ronde

- Structuration du GT au tour du COVID-19

-Initiatives et stratégies scientifiques

-Actions

Résumés des contributions

Orateur invité:

- Pr. Dinggang SHEN, Professor in the Department of Radiology and BRIC at UNC-Chapel Hill, US.

Titre: Applications of Artificial Intelligence (AI) in Imaging-based Diagnosis, Progress Prediction, and Longitudinal Comparison of COVID-19

Communications

- Maria VAKALOPOULOU, Assistant Professor at Centrale Supélec, University of Paris-Saclay

Title: AI-Driven quantification, staging and short-term outcome prediction of COVID-19 pneumonia based on CTs.

Résumé: Chest computed tomography (CT) is widely used for the management of Coronavirus disease 2019 (COVID-19) pneumonia because of its availability and rapidity. The standard of reference for confirming COVID-19 relies on microbiological tests but these tests might not be available in an emergency setting and their results are not immediately available, contrary to CT. In addition to its role for early diagnosis, CT has a prognostic role by allowing visually evaluating the extent of COVID-19 lung abnormalities. In this talk, we will present a study that have been proposed recently to address prediction of short-term outcomes and especially need for mechanical ventilation. In particular, an end-to-end artificial intelligence solution has been proposed for automatic quantification and prognosis assessment by combining automatic CT delineation of lung disease meeting the performance of experts and data-driven identification of biomarkers for its prognosis. AI-driven combination of variables with CT-based biomarkers offers perspectives for optimal patient management given the shortage of intensive care beds and ventilators.

- Mohamed MASMOUD, Professor of Applied Mathematics, Institut de Mathématiques de Toulouse (IMT)

Titre: Les réseaux neuronaux parcimonieux : application au covid-19.

Résumé : L'approche parcimonieuse permet de réduire de plusieurs ordres de grandeurs (en moyenne 3 000) le nombre de liens d'un réseau de neurones. Comme la parcimonie est un principe scientifique fondamental, qui remonte au 14ème siècle, cela n'a rien d'étonnant que les réseaux de neurones parcimonieux donnent de bien meilleurs résultats que les approches classiques redondantes.

Les approches de simplification des réseaux neuronaux classiques ne permettent pas d'atteindre les performances obtenues par la parcimonie native que nous proposons.

Nous présenterons des résultats préliminaires sur l'application de nos méthodes au covid-19.

- Alain LALANDE, MCU-PH, Laboratoire ImViA, Université de Bourgogne / CHU Dijon

Titre : Retour sur le Datathon ScanCovid-IA

Résumé : Les objectifs principaux du challenge ScanCovid-IA organisé dans le cadre du Datathon DATACARE-COVID19 (18 et 19 avril 2020) étaient de détecter automatiquement les scanners pathologiques correspondant à des patients atteints de Covid-19, et sur ces scanners de segmenter automatiquement les poumons et les zones pathologiques. L'outil développé permet de détecter les examens pathologiques (versus examens normaux) avec une précision de 92% avec un réseau de type ResNEt50. Sur les examens pathologiques, la segmentation automatique des poumons et des zones pathologiques (avec un indice de Dice supérieur à 0.8 pour les zones pathologiques en modifiant un réseau de type UNet) permet d'obtenir de façon crédible le pourcentage de poumon atteint par la pathologie. Le développement d'un outil logiciel lors de ce Datathon a permis de tester plusieurs approches classiques de deep learning et est potentiellement une première étape vers un outil générique performant, « Datathon ScanCovid-IA ».

- Amine AMYAR, PhD student, General Electric Healthcare, Litis- Quantif, Université de Rouen

Titre: Multi-task deep learning based CT imaging analysis for COVID-19

Résumé: In this talk, we present a multitask deep learning model to jointly identify COVID-19 patient and segment COVID-19 lesion from chest CT images. Three learning tasks: segmentation, classification and reconstruction are jointly performed with different datasets. The proposed model allows, on the one hand to leverage useful information contained in multiple related tasks to improve both segmentation and classification performances, and on the other hand to deal with the problems of small data. The obtained results show very encouraging performance of our method with a dice coefficient higher than 0.78 for the segmentation and an area under the ROC curve higher than 0.93 for the classification.

Identification