UPThèses

• Français
• English

Français

Segmentation automatique des lésions de sclérose en plaques en adéquation avec les contraintes cliniques

L’accessibilité d’un outil performant de segmentation des lésions de sclérose en plaques permet de fournir aux radiologues des métriques fiables et reproductibles vers une meilleure prise en charge des malades atteints. Pour rendre plus accessible ce genre d’outil en clinique, nous avons proposé des architectures de réseaux de neurones convolutifs légères et performantes capables d’apprendre sur des stations de travail abordables avec un nombre réduit d’exemples d’apprentissage, en un temps réduit, tout en limitant le risque de surapprentissage. Nous avons mis en place des techniques dans le but de réduire au minimum l’apport en données d’entraînement avec l’autoapprentissage et l’apprentissage semi-supervisé, tout en tenant compte de la qualité des données pour nous apercevoir qu’il suffisait, finalement, de très peu d’examens annotés. Nous présentons aussi, une méthode pour augmenter le nombre de petites lésions détectées qui sont plus difficiles à segmenter ainsi que plus susceptibles d’être omises par le radiologue. Le travail de thèse s’inscrit dans une démarche de recherche pour tirer au mieux parti de la segmentation automatique des lésions pour le radiologue vers une meilleure adoption de tels outils en routine clinique.

Mots-clés libres : CNN, segmentation, IRM, sclérose en plaques, semi-supervisé, auto-supervisé, détection.

Rameau (langage normalisé) :
• Sclérose en plaques
  
• Segmentation d'images
  
• Imagerie par résonance magnétique
  
• Intelligence artificielle en médecine
  
• Apprentissage profond