UPThèses

• Français
• English

Français

Analyse de données RMN multimodales par intelligence artificielle pour la discrimination binaire du grade du gliome

Les gliomes sont des tumeurs cérébrales dont l'évolution de bas grade à haut grade signe un diagnostic sombre pour le patient. Le grade du gliome est connu via des techniques invasives : analyse de pièce chirurgicale ou biopsie. Le CHU de Poitiers propose une alternative non-invasive via un bilan d'imagerie par résonance magnétique multimodal, regroupant des données anatomiques, de diffusion, de perfusion et de spectroscopie. Dans ce travail de thèse, nous proposons d'implémenter des outils de classification automatique depuis l'analyse de ces images multivariées. Nous déployons pour cela des outils novateurs permettant d'analyser le comportement de classifieurs automatiques. Cela nous amène à pointer des incohérences au sein de la base de données la plus utilisée sur la tâche de classification binaire du grade du gliome. Nous proposons une alternative via un consensus de cinq experts radiologues. Puis, nous créons une chaîne de traitement complète allant de l'acquisition à la classification, et explorons comment les données multimodales améliorent les performances de classification automatique.

Mots-clés libres : Gliome, IRM, Aide au diagnostic automatique, Exploration de données.

Rameau (langage normalisé) :
• Gliomes
  
• Imagerie par résonance magnétique
  
• Intelligence artificielle en médecine
  
• Imagerie pour le diagnostic
  
• Analyse des données