L’objectif ultime de thèse est de développer un système de synchronisation de bout en bout pour la compensation en temps réel des mouvements lors du traitement du cancer du poumon et du foie sur l’Elekta Unity. Ce système surveillera et localisera automatiquement en temps réel la position spatiale tridimensionnelle de la tumeur, et prédira sa trajectoire dans 0.5 secondes. Un signal de synchronisation sera généré pour contrôler l’activation et la désactivation du faisceau pendant la radiothérapie, réduisant ainsi l’inexactitude dans la délivrance de la dose due au mouvement respiratoire. Pour atteindre cet objectif, les étapes suivantes ont été réalisées : 1. Validation de l’efficacité de KCF dans le suivi des tumeurs en 2D sur des images en IRM cine, plus efficace et précise par rapport aux méthodes traditionnelles (TM). La précision est améliorée en calculant le centroïde des pixels, et la sélection des plans (coronales vs sagittales) pour localiser les tumeurs dans la direction SI. 2. Proposition d’un modèle C-NLSTM spécifique au patient qui combine la préformation du modèle C-NLSTM et l’optimisation de la cible pour obtenir une meilleure prédiction du mouvement de tumeurs. Le transfer learning, en utilisant efficacement le modèle préformé sur un ensemble de données limité, est une solution pertinente face au manque de données de l’Elekta Unity. Le modèle montre une performance satisfaisante dans la prédiction en temps réel pour la compensation du movement spécifique au patient. 3. Validation de la régression linéaire dans la prédiction du mouvement des organs ou des tumeurs en utilisant des images MR ciné 2D et proposition d’un schéma de prédiction en ligne pour les signaux de gating. Les signaux de gating sont déclenchés àl’aide de modèles prédictifs, prouvant son efficacité dans la MRgRT en comparant avec des modèles RNN. 4. Intégration des travaux susmentionnés, proposition d’une solution complète de compensation des mouvements respiratoires basée sur la IRM cine orthogonale. En optimisant un modèle de pavé et en explorant différents scénarios, des signaux de gating sont générés pour répondre aux besoins de traitement des différents patients. La validation par étude dosimétrique confirme que l’efficacité de la solution proposée dans la protection des organes environnants à risque. En résumé, le système proposé est robuste et fiable, réalisant une adaptation en temps réel au mouvement des tumeurs en MRgRT. Il fournit un solide soutien pour la compensation du mouvement respiratoire dans le traitement des cancers thoraciques et abdominaux, servant d’outil essentiel pour la radiothérapie de précision.

Les travaux de cette thèse s’inscrivent dans le contexte clinique visant à optimiser le geste lors des interventions endoventriculaires cardiaques. Cette recherche se concentre principalement sur le guidage en vue du diagnostic et du traitement des affections endoventriculaires à l’aide de cathéters. L’intervention considérée est la biopsie endoventriculaire utilisée pour diagnostiquer les patients atteints de sarcoïdose cardiaque. En effet, le cathéter doit être guidé avec précision vers la zone de fibrose. Cependant, l’absence d’informations visuelles précises sur la localisation de la fibrose pendant l’intervention accroît le risque de faux négatifs pour les échantillons prélevés. De plus, il existe un risque de complications telles que la perforation myocardique, également appelée tamponnade cardiaque. Les objectifs de cette thèse sont articulés en deux parties distinctes : La première partie, préopératoire, consiste à élaborer un modèle 3D du cœur, englobant le ventricule gauche, le ventricule droit et le myocarde. Ce modèle est construit à partir de segmentations d’images d’IRM, notamment des séquences ciné pour les structures principales et LGE pour localiser les zones de fibrose. Les méthodes de segmentation développées reposent sur l’apprentissage profond, et la méthode de segmentation de la fibrose fait l’objet d’une publication en cours. La seconde partie, peropératoire, vise à assis- ter la procédure en fournissant des informa- tions précises sur l’anatomie et la localisation de la zone fibrosée. Cela permet d’optimiser le positionnement du cathéter en périphérie de cette zone fibrosée, contribuant ainsi à améliorer la précision et l’efficacité de l’intervention. Enfin, l’ensemble de la chaîne de traitement a été expérimenté avec succès sur trois patients, procurant ainsi un retour d’expérience du clinicien. Ces avancées visent à réduire les risques liés à la biopsie endoventriculaire et à accroître la précision du diagnostic de la sarcoïdose cardiaque, ouvrant ainsi la voie à des progrès significatifs dans la prise en charge de cette pathologie.

La Stimulation Cérébrale Profonde est une thérapie symptomatique de la maladie de Parkinson qui vise à améliorer la qualité de vie du patient. Pour être efficace, cette procédure chirurgicale dépend de la mise en place d'électrodes de stimulation dans des régions sous-corticales de taille submillimétrique. Cette thèse se concentre sur l'optimisation de la localisation d'une de ces neuroanatomies d'intérêt, à travers le développement d'outils d'assistance. Plus spécifiquement, la première contribution de cette thèse concerne le développement d'une méthode automatique d'interprétation des signaux électrophysiologiques enregistrés par des électrodes pendant l'opération. Cette initiative répond à notre volonté de fournir un outil d'aide à la décision basé sur une approche probabiliste et cohérent avec les besoins cliniques. La seconde contribution concerne le développement et l'évaluation d'une intelligence artificielle générative pour la simulation de ces signaux électrophysiologiques, constituant la première étape du développement de simulateurs didactiques pour la formation d'internes en médecine qui s'intéressent à l'analyse neurophysiologique interventionnelle.

L’encodage vidéo avec le dernier codec Versatile Video Coding (VVC) requiert d’importantes ressources de calcul. Malgré son impact sur le temps d’encodage global, peu d’études portent sur l’accélération de l’encodage inter. Cette thèse se concentre ainsi sur ce sujet, en proposant des approches de partitionnement rapide. Notre première contribution consiste à utiliser un CNN léger pour réduire l’espace de recherche de partitionnement. En estimant la carte de profondeur des décisions de partitionnement QT, ce CNN nous permet d’élaguer l’espace de recherche de l’arbre MT initial. Les expériences montrent que ce travail peut réduire d’un tiers la complexité, pour une perte légère en efficacité de codage. Dans la deuxième partie, nous améliorons la première contribution en proposant une nouvelle structure CNN associé à un algorithme d’accélération. La carte de profondeur QT et les décisions MT sont prédites simultanément, réduisant davantage l’espace de recherche. Le compromis efficacité et accélération d’encodage obtenu surpasse l’état de l’art. Dans la dernière partie, nous proposons une méthode de partitionnement rapide multi-débit pour les scénarios de streaming. Les données collectées à partir d’encodages à bas débits sont exploités pour accélérer les encodages à débits supérieurs. 40% de la complexité est réduite en appliquant notre approche à l’encodeur VVenc, avec une perte raisonnable.

La mise en adéquation des moyens déployés avec le niveau de gravité de chaque patient est un enjeu important pour la pérennisation et l’amélioration du système de santé. L’essor simultané de l’interopérabilité des bases de données permettant la collecte de données normalisées et des statistiques prédictives ouvre de nouvelles perspectives dans ce domaine en laissant supposer qu’il serait possible d’entrainer des modèles prédictifs permettant à la fois d’améliorer le service rendu aux patients en individualisant leur parcours de soin tout en rationalisant l’effort collectif nécessaire à leur prise en charge. Cette thèse avait pour objectif de de prédire la survenue d’évènements critiques chez les patients ayant recours aux urgences en utilisant des modèles basés sur l’apprentissage automatique. Trois articles composent ce travail de recherche. Le premier visait à détecter les arrêts cardiaques préhospitaliers en utilisant les enregistrements vocaux des appels des témoins au SAMU. Dans cette optique, plusieurs modèles ont été développés pour détecter les arrêts cardiaques en se basant sur les caractéristiques acoustiques de la voix de l’appelant. Le deuxième article se concentrait sur l’optimisation du diagnostic de COVID-19 en intégrant les tests diagnostiques de référence de type RT-PCR à d’autres éléments clinico-biologiques. Les modèles d’apprentissage automatique développés permettaient une augmentation des performances diagnostiques en ce contexte de pandémie débutante dans l’hypothèse d’une stratégie « zero-COVID ». Le troisième article avait pour objectif la prédiction de quatre évènements critiques chez les patients hospitalisés après un passage aux urgences : la survenue d’un décès, la nécessité d’ intubation, la réanimation cardiopulmonaire et la décision de réaliser des soins palliatifs. Des modèles de forêt aléatoire y ont été développés en intégrant des données les plus exhaustives possibles afin d’établir un profil détaillé des patients : dates d’amission, temps de passages, antécédents, observations médicales, constantes vitales, examens biologiques et compte rendus d’imagerie. Une excellente performance pour la prédiction des quatre événements d’intérêt à été retrouvée dans cet article. Des limites ont par ailleurs été identifiées, comme la nécessité de valider ces approches dans des contextes cliniques réels et d’explorer davantage leur interprétabilité en pratique quotidienne. Ce travail de recherche apporte une contribution significative pour la prédiction des évènements critiques et permettra le développement d’ applications visant à améliorer le parcours de soin des patients confrontés à une situation clinique susceptible de mettre en jeu leur pronostic vital.

La Tachycardie Ventriculaire (TV) est une arythmie potentiellement mortelle caractérisée par une fréquence rapide et incontrôlée des battements cardiaques. L'ablation par radiothérapie (RATV), traitement émergent et prometteur, s'adresse aux patients pour lesquels les traitements de première ligne ne suffisent pas à arrêter la TV. Elle consiste à irradier les tissus du c\oe{}ur responsables de la TV pour stopper leur conduction. L'objectif de cette thèse est d'exploiter des données multimodales, pour contribuer à la fiabilisation de la RATV. Un processus a été développé permettant d'aider à la délinéation de la cible, en fusionnant l'ensemble des informations issues des principales modalités d'imagerie. La gestion des mouvements cardio-respiratoires a été investiguée à travers la génération de volumes englobant les positions potentielles de la cible. Elle a été complétée par une évaluation du suivi en temps réel de la cible par le CyberKnife. Dans une approche spécifique au patient, un modèle dynamique des mouvements de la cible a été développé, qui permet d'évaluer leur impact sur la dose délivrée. Enfin, l'étude de cas d'une récidive de TV après RATV a fourni des informations sur la réponse des tissus cardiaques à l'irradiation. Ces travaux ont permis de proposer et d'évaluer des solutions reposant sur la fusion d'images multimodales, afin d'améliorer la précision de la RATV.

L'évaluation de la fonction cardiaque est un enjeu majeur en cardiologie, en particulier dans la prise en charge des patients atteints d'insuffisance cardiaque. Malgré les avancées technologiques, telles que les courbes de strain extraites de l'échocardiographie, cette évaluation reste difficile et incomplète en raison de sa nature multifactorielle. L'objectif est de proposer de nouvelles méthodes permettant une compréhension plus précise et personnalisée de la fonction ventriculaire gauche chez les patients insuffisance cardiaque. Des approches hybrides combinant la modélisation in silico, traitement du signal et apprentissage automatique ont été proposées. Quatre problématiques associées à différents phénotypes d'insuffisance cardiaque sont abordées dans cette thèse : i) Les courbes de strain de 10 sujets sains et 20 patients atteints de bloc de branche gauche ont été analysées à l'aide d'un modèle computationnel. ii) Une caractérisation des profils de réponse à la thérapie de resynchronisation cardiaque a été proposée sur 250 patients éligibles grâce à des approches hybrides. iii) Une estimation non invasive de la pression ventriculaire gauche a été proposée et évaluée sur 67 patients atteints de sténose aortique afin d'obtenir des indices de travail myocardique. iv) Une classification du risque de mort subite chez les patients atteints de cardiomyopathie hypertrophique a été développée à partir de paramètres cliniques, d'imagerie et extrait du strain de 434 patients. Ces approches originales utilisent principalement des mesures non invasives issues de l'échocardiographie et introduisent de nouveaux outils d'intelligence artificielle dans la pratique clinique. Elles visent à être spécifiques à chaque patient afin d'être intégrées dans un processus de médecine personnalisée.

Les thérapeutiques endovasculaires ont connu un essor très important ces dernières années. Le préalable à tout acte interventionnel est de pouvoir accéder à la zone cible rapidement et efficacement. Cependant la navigation endovasculaire réalisée lors du cathétérisme est un geste technique qui s’avère difficile dans nombre de cas pathologiques, voire parfois impossible. C'est le cas de la thrombectomie mécanique pour le traitement endovasculaire de l'AVC ischémique. Afin de surmonter ces difficultés, nous apportons dans cette thèse plusieurs contributions dans le contexte de l'aide à la navigation endovasculaire : (i) une méthode deep-learning de segmentation automatique des structures vasculaires 3D d'intérêt à partir de l'angio-IRM pré-opératoire, (ii) une nouvelle méthode de recalage 3D/2D par recherche exhaustive multi-résolution permettant d'augmenter l'imagerie per-opératoire sans produit de contraste avec les données de l'imagerie préopératoire, et (iii) une nouvelle mesure de similarité entre patients exprimée en terme de navigabilité endovasculaire afin d'aider au choix de matériels dans un contexte de raisonnement à partir de cas.

Les mécanismes physiologiques à l’origine des épisodes d’apnée chez le nouveau-né, ne sont pas encore entièrement élucidés. Cette thèse vise à utiliser des modèles computationnels pour améliorer notre compréhension de la réponse cardio-respiratoire aux événements d'apnée chez les nouveau-nés prématurés. Pour cela, un modèle des interactions cardio-respiratoires a été amélioré et adapté à la physiologie des nouveau-nés et des prématurés. Des analyses de sensibilité ont été réalisées pour étudier l'adaptation cardio-respiratoire due à la présence ou à la fermeture d'un canal artériel persistant, une malformation cardiaque courante chez les prématurés. Sur le même principe, des analyses ont souligné l'importance de certaines grandeurs physiologiques sur la réponse à l'apnée-bradycardie, telles que la fraction d'oxygène inspiré, les taux métaboliques et le volume pulmonaire. À partir de ces résultats, un sous-ensemble de paramètres a été identifié pour étudier la dynamique de la fréquence cardiaque pendant une apnée-bradycardie mixte à partir d'une base de données clinique de 37 apnées-bradycardies détectées sur 18 patients. Les résultats obtenus apportent de nouvelles connaissances sur les interactions cardio-respiratoires et sur les mécanismes sous-jacents de l’apnée de la prématurité. Ils permettent notamment de mettre en avant que la présence du canal artériel ne semble pas avoir d'impact sur la réaction cardio-respiratoire à l'apnée et sur la régulation après celle-ci. Ces résultats ouvrent de nouvelles perspectives pour la prise en charge et l'optimisation des thérapies en unités de soins intensifs néonatals.

Comprendre comment les troubles neurologiques affectent les fonctions cérébrales depuis le début de la maladie et tout au long de sa progression est un défi important en neuroscience clinique. La maladie de Parkinson (MP) est le trouble du mouvement le plus courant et une maladie neurologique prévalente qui contribue significativement à la charge mondiale de handicap en raison de sa variabilité dans les symptômes et la progression. Par conséquent, prédire avec précision la gravité et la progression de la MP constitue une étape importante vers un conseil optimal aux patients, des soins spécifiques aux symptômes et des traitements efficaces. Toutefois, pour atteindre cet objectif, il est nécessaire de développer des biomarqueurs fiables qui caractérisent non seulement la maladie mais aussi suivent et prédisent avec précision son évolution. Ces dernières années, l'électroencéphalographie (EEG) est apparue comme un outil précieux en pratique clinique à cette fin. Cette technique de neuroimagerie directe, non invasive, peu coûteuse et relativement facile à utiliser permet l'extraction d'informations clés sur les altérations de l'activité cérébrale associées à des affections neurologiques telles que la MP. Dans ce contexte, cette thèse vise à étudier dans quelle mesure l'EEG à haute résolution en état de repos peut précisément caractériser les fonctions cérébrales anormales associées à différents aspects cliniques de la MP et à identifier des mesures basées sur l'EEG qui peuvent prédire les résultats de la maladie. Pour ce faire, nous avons mené trois études différentes en utilisant des enregistrements longitudinaux d'EEG à haute résolution en état de repos et une batterie de tests neuropsychologiques et cliniques pour des patients atteints de MP et des sujets sains contrôles, à la ligne de base ainsi qu'au suivi après 3 et 5 ans. Nous avons d'abord examiné les changements longitudinaux dans les réseaux fonctionnels cérébraux des patients atteints de MP sur 5 ans et avons associé différents modèles d'anomalies aux scores cognitifs des patients et à la latéralisation de leurs symptômes moteurs. Deuxièmement, nous avons identifié les sous-types de la maladie de Parkinson en se basant exclusivement sur les caractéristiques EEG. Nous avons mené une analyse de « Clustering » pour identifier ces sous-types et les avons associés à des modèles uniques de perturbations. Nous avons étudié leur capacité à prédire le déclin cognitif chez les patients, ainsi qu'à caractériser la trajectoire clinique de la maladie au fil du temps. Troisièmement, nous avons étudié les empreintes électrophysiologiques qui caractérisent l'anxiété chez les patients atteints de la maladie de Parkinson et les avons corrélées avec les résultats cliniques de la maladie liés à l'anxiété tout au long de la progression de la maladie. Dans l'ensemble, nos résultats ont montré différents modèles d'anomalies qui caractérisent les aspects distincts d'intérêt et nous avons été en mesure d'identifier des marqueurs basés sur l'EEG qui peuvent être corrélés avec les résultats cliniques de la maladie et peuvent prédire son évolution. Nous croyons que cette thèse démontre le potentiel de l'EEG à haute résolution en état de repos dans le développement de biomarqueurs fiables des symptômes et de la progression de la MP, ce qui peut conduire ultimement à un pronostic et un diagnostic plus précis ainsi qu'à de meilleures stratégies thérapeutiques.