Thèse Modèles Génératifs pour la Prédiction de l'Évolution de Scanners Cérébraux dans le Traumatisme Crânien H/F - 75

Établissement : Institut Polytechnique de Paris École polytechnique
École doctorale : Mathématiques Hadamard
Laboratoire de recherche : CMAP - Centre de Mathématiques appliquées
Direction de la thèse : Josselin GARNIER ORCID 0000000235184159
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-01T23:59:59

Le traumatisme crânien est un enjeu majeur de santé publique, avec une incidence hospitalière estimée entre 100 et 300 pour 100 000 habitants par an en France. La tomodensitométrie cérébrale (TDMc), ou scanner cérébral, est l'examen de référence pour le diagnostic et le suivi, mais l'évolution des lésions hémorragiques reste difficile à anticiper.
Cette thèse propose d'exploiter les modèles génératifs profonds, en particulier les modèles de diffusion latente 3D, pour prédire l'évolution temporelle des TDMc chez les patients traumatisés crâniens.
L'objectif est de générer des scanners futurs réalistes à partir des examens antérieurs, afin d'aider les cliniciens à anticiper l'évolution des lésions et à adapter la prise en charge thérapeutique.
Ce problème peut être interprété comme un problème inverse bayésien dynamique sous incertitude, dans lequel on souhaite inférer l'état futur du cerveau à partir d'observations partielles et bruitées dans le temps.

Modèles génératifs en régime de données restreint
Les modèles de diusion se sont imposés comme l'approche de référence pour la génération d'images, tant en vision par ordinateur [6] qu'en imagerie médicale [7].
Un obstacle majeur à leur utilisation dans ce contexte est la rareté des données : le projet GenAIPI-TBI dispose d'environ 700 patients et 1600 scanners, soit un ordre de grandeur inférieur aux dizaines de milliers d'exemples typiquement requis.
À titre d'exemple, le modèle MAISI (Medical AI for Synthetic Imaging) [8], développé par NVIDIA, a été pré-entraîné sur environ 39000 volumes TDM, tandis que celui de Pinaya et al. [9] l'a été sur environ 32000 IRM cérébrales.
Pour les tâches discriminatives (classification, segmentation), le transfer learning a démontré son ecacité, y compris dans le domaine du traumatisme crânien : BLAST-CT [10], un outil de segmentation de lésions cérébrales traumatiques, a été adapté avec seulement 87 scans par
Brossard et al. [11].
La question se pose de savoir si une approche similaire fonctionne pour les modèles génératifs.
Plusieurs travaux récents ont montré que les modèles de diusion pouvaient être adaptés en régime de données restreint [12, 13], et des garanties théoriques d'échantillonnage ont été établies [14].
Ces résultats fournissent un cadre conceptuel solide pour étudier la relation entre pré-entraînement génératif, taille des jeux de données cliniques et performances atteignables.

De la génération à la prédiction temporelle
Au-delà de la génération d'images statiques, l'objectif de cette thèse est de développer des
modèles capables de prédire l'évolution temporelle des images : étant donné un ou plusieurs
scanners d'un patient à des instants donnés, générer un scanner réaliste à un instant futur.
Des travaux récents ont commencé à aborder ce problème : SADM [15] propose un modèle de diusion conditionné par une séquence d'images longitudinales via un module d'attention inspiré des vision transformers, permettant la génération autorégressive de volumes 3D d'IRM cérébrales et cardiaques.
Ce modèle constitue un point de départ pour notre approche, avec deux défis supplémentaires propres à notre contexte : le changement de modalité (de l'IRM vers la TDMc) et l'adaptation au régime de données restreint du traumatisme crânien.

Problèmes inverses bayésiens et quantification d'incertitude
La transition de la génération d'images vers la prédiction temporelle peut être naturellement
formulée dans le cadre des problèmes inverses bayésiens.
En eet, l'objectif n'est pas seulement de produire une réalisation plausible de l'état futur, mais d'inférer une distribution de probabilité sur les états possibles conditionnellement aux observations disponibles.
On cherche ainsi idéalement à estimer un posterior de la forme p(xt+t y1:t), où xt+t représente l'état latent futur du cerveau et y1:t l'ensemble des scanners observés jusqu'au temps courant.
Cette formulation permet d'intégrer de manière cohérente les diérentes sources d'incertitude : bruit
de mesure, variabilité inter-patients, dynamique physiopathologique partiellement inconnue et
limitations liées aux données disponibles.
Les modèles génératifs profonds, et en particulier les modèles de diusion, peuvent alors être interprétés comme des priors probabilistes appris sur l'espace des images médicales, fournissant une régularisation adaptée à la haute dimension [16] et aux structures anatomiques complexes.
L'inférence bayésienne peut être réalisée à l'aide de méthodes d'échantillonnage guidées par le score, de dynamiques de Langevin conditionnelles ou d'approches variationnelles, permettant d'obtenir non seulement une prédiction moyenne mais également des intervalles crédibles et des cartes de risque spatialement résolues [17].
Ce cadre ore en outre un socle théorique pour analyser la stabilité des reconstructions, la propagation d'incertitude au cours du temps et l'impact de la taille des données sur la qualité des prédictions.
Enfin, l'approche bayésienne ouvre la voie à des modèles hiérarchiques intégrant des paramètres
spécifiques aux patients, contribuant ainsi à une médecine personnalisée avec quantification explicite de la confiance associée aux décisions cliniques.
Les dernières étapes de ce programme sont ambitieuses et on s'adaptera aux progrès réalisés durant les premières étapes.

Prédire l'évolution des lésions cérébrales traumatiques
Le traumatisme crânien constitue la première cause de handicap chez les moins de 35 ans en
Europe [2]. Sa prise en charge est guidée par l'évaluation régulière de l'évolution des lésions
au scanner cérébral [3]. Un enjeu clinique central est la prédiction de l'évolution des lé-
sions dans les heures et les jours suivant le traumatisme : certaines lésions peuvent s'aggraver
rapidement (expansion d'un hématome, apparition d'un oedème), nécessitant une intervention
chirurgicale en urgence, tandis que d'autres restent stables. Actuellement, cette évaluation
pronostique repose principalement sur l'expertise du clinicien et sur des scores pronostiques tels
que IMPACT [4] et CRASH [5], qui combinent des variables cliniques et radiologiques pour
estimer le devenir à 6 mois, mais il n'existe pas d'outil permettant de prédire visuellement et
de manière personnalisée l'évolution radiologique d'un patient donné. C'est l'objectif du projet
GenAIPI-TBI (Generative AI for Predictive Imaging in Traumatic Brain Injury), mené au CHU
Grenoble Alpes et au laboratoire TIMC-IMAG, dans lequel s'inscrit cette thèse.