Deep learning and ultrasound imaging for diagnosis of metabolic-associated fatty liver disease

Abstract

La maladie stéatosique du foie associée à un dysfonctionnement métabolique (MASLD) est la cause la plus fréquente de maladie hépatique chronique et la principale cause de mortalité liée au foie. Les tests non invasifs sont essentiels pour garantir que les patients soient identifiés et orientés vers une prise en charge appropriée, en particulier aux stades précoces où la maladie reste réversible. L'échographie conventionnelle en mode B est généralement utilisée pour le dépistage, car elle permet une évaluation visuelle en temps réel des caractéristiques radiographiques associées à la stéatose hépatique. Cependant, l'interprétation des examens échographiques est subjective et qualitative, ce qui limite sa performance diagnostique. Les approches de vision par ordinateur sont bien établies dans le domaine biomédical, permettant une identification automatique qui peut être intégrée à des outils d'aide au diagnostic pour assister les cliniciens. Dans cette thèse, nous avons étudié les performances des modèles d'apprentissage profond dans des conditions liées à la MASLD à travers plusieurs objectifs ciblés. Des réseaux neuronaux convolutifs ont été utilisés pour la détection et la classification de la stéatose hépatique, et leurs performances ont été comparées à celles de lecteurs humains. Afin d’évaluer la généralisation, nous avons testé ces modèles sur des examens échographiques acquis dans différents centres et auprès de différentes populations, et exploré des stratégies d’adaptation de domaine, en proposant une méthode d’adaptation non supervisée à la phase d’inférence. De plus, nous avons examiné le potentiel des autoencodeurs variationnels dans le contexte de la détection d’anomalies pour l’identification non supervisée de nodules hépatiques. Les méthodes proposées contribuent à l'avancement des recherches sur la MASLD en faisant progresser l'analyse échographique dans divers contextes cliniques. Metabolic dysfunction-associated steatotic liver disease (MASLD) is the most common cause of chronic liver disease and is the leading cause of liver-related mortality. Non-invasive tests are essential to ensure patients are identified and referred to appropriate management, specially at earlier stages where the disease is reversible. Conventional B-mode ultrasound (US) is usually employed in screening settings, as it allows for real-time visual assessment of radiographic features related to hepatic steatosis. However, the interpretation of US exams is subjective and qualitative, restricting its diagnostic performance. Computer vision approaches are established in the biomedical field, enabling automatic identification that can be used in computer-aided diagnostic tools to assist clinicians in their diagnosis. In this thesis, we aimed to investigate the performance of deep learning models in MASLD-related conditions through several targeted objectives. Convolutional neural networks were employed for the detection and grading of hepatic steatosis, and their performance was compared to human readers. To assess generalization, we evaluated these models on ultrasound exams acquired from different centers and populations, and explored domain adaptation strategies, proposing a unsupervised test-time adaptation method. Furthermore, we examined the potential of variational autoencoders in the context of anomaly detection for the unsupervised detection of liver nodules. The proposed methods contribute to the growing body of research on MASLD by advancing US imaging analysis across diverse clinical settings.