Évaluation d'une approche de personnalisation à l’échelle d’une population pour générer des images synthétiques 2D et 3D d'infarctus du myocarde
Résumé
Les simulations biophysiques sont un support essentiel à l’analyse et l'interprétation des images médicales. En plus de favoriser une meilleure compréhension des processus physiologiques, elles constituent une source de connaissances pour les approches basées sur des données telles que l’apprentissage automatique. Dans ce travail, nous ciblons la génération d’images synthétiques d'infarctus du myocarde, dont la distribution correspond à celle d'une population réelle, pour laquelle nous disposons d’une petite base d'images segmentées (IRM après injection de gadolinium) de 123 patients. Ce problème de personnalisation est difficilement formulable analytiquement, en particulier pour des modèles incluant une partie aléatoire. En 2021, notre groupe a proposé une stratégie de personnalisation de modèles géométriques 2D simples d'infarctus du myocarde basée sur l'optimisation d'une métrique de similarité de distributions (la divergence de Kullback-Leibler) par la méthode sans gradient CMA-ES. Toutefois, la robustesse de cette stratégie par rapport aux paramètres et à des configurations plus complexes (notamment en 3D) n'a pas été étudiée. Dans ce travail, nous abordons spécifiquement ces points, avec une évaluation approfondie des aspects cruciaux du processus de personnalisation, les hyperparamètres et l'initialisation, et l'application aux données 3D. Nos résultats confirment que cette stratégie de personnalisation est réalisable, dans les limites du réalisme des modèles étudiés.