Imagerie thoracique tomodensitométrique, Intelligence artificielle, Computer aide diagnostic, Machine learning, Radiomique, Dyskinésie ciliaire primitive, Sclérodermie systémique, Dysfonction chronique du greffon pulmonaire

L'analyse quantitative des lésions pulmonaires en imagerie thoracique tomodensitométrique est désormais possible grâce aux outils d'aide au diagnostic (ou Computer-Aided Diagnosis - CAD). Cette approche permet également une meilleure compréhension des mécanismes physiopathologiques grâce aux outils d'intelligence artificielle et à l'approche radiomique. Dans le cadre de notre Thèse, nous avions pu appliquer les outils de CAD et d'intelligence artificielle (machine learning et deep-learning) pour construire des scores de sévérité dans la dyskinésie ciliaire primitive (DCP), prédire la survenue du dysfonctionnement chronique du greffon pulmonaire (DCGP) et la mortalité à court terme de la sclérodermie systémique (ScS). Nous avions également combiné les résultats de machine learning sur les deux types de filtre médiastinal et pulmonaire du scanner thoracique. Nous avions ainsi amélioré l'efficacité des algorithmes d'apprentissage profond sans avoir recours à la nouvelle acquisition de scanner irradié. En pratique, nous avions montré que la caractéristique radiomique de premier ordre autorise la quantification automatique des modifications des images et l'établissement d'un score objectif pour évaluer la gravité de la DCP. L'analyse préliminaire de la combinaison des caractéristiques de densité en histogramme et de texture de la radiomique des scanners inspiratoires pourrait également prédire les modifications fonctionnelles respiratoires de la DCGP 6 mois avant leur survenue. Mais les résultats de notre étude préliminaire, n'étant pas statistiquement significatifs, nécessitent des études à plus grande échelle passant par des collaborations multicentriques. Pour la ScS, l'algorithme de « deep-learning » AtlasNet permet la quantification des lésions du parenchyme pulmonaire et la prédiction de la mortalité à court terme. Dans le dernier chapitre de notre thèse, nous rapportons l'influence du choix de filtre de reconstruction en TDM sur l'entrainement des modèles de machine learning pour la segmentation des zones lésionnelles pulmonaires interstitielles dans la ScS et la COVID-19, permettant ainsi d'augmenter la performance des modèles combinant les deux filtres de reconstruction.