Recherche et développement : Interprétation assistée par intelligence artificielle des pathologies rachidiennes.

par Sylvain Guinebert

Projet de thèse en Signal, Image, Automatique

Sous la direction de Éric Petit.


  • Résumé

    Recherche et développement : Interprétation assistée par intelligence artificielle des pathologies rachidiennes. Objectif : Développement d'un programme permettant une pré-interprétation automatique pour détecter, caractériser et quantifier les pathologies rachidiennes. Matériel et méthodes: Nous avons réalisé un prototype de lecteur DICOM en C++ destiné à extraire des données d'apprentissage puis à développer des réseaux neuronaux convolutifs dédiés à l'analyse des pathologies rachidiennes. Résultats: Le programme gère les fichiers DICOM avec un affichage permettant toutes les fonctions classiques de reconstruction (MPR, MIP, MinIP, 3D,) L'utilisation massive de la carte graphique a permis une amélioration significative du temps de traitement des fonctions classiques de gestion DICOM, de filtrage des images et de calculs par rapport aux logiciels de développement en langage interprété (comme Matlab). Après extraction des vérités terrains au moyen d'une station de travail classique, le programme permettait d'entraîner des réseaux neuronaux convolutifs, ayant permis une segmentation automatique du sac dural sain et pathologique avec un indice DICE de 0.96 en moyenne. Conclusion: Nous avons encore des limitations principalement matérielles. Néanmoins le prototype du programme a prouvé son potentiel sur une première étude basique de calcul de surface canalaire qui servait de test. Notre programme utilisant des réseaux neuronaux convolutifs est rapide et permettra la généralisation des procédés d'apprentissage profond.

  • Titre traduit

    Research and development: Artificial intelligence, spinal pathologies assisted interpretation.


  • Résumé

    Research and development: Artificial intelligence, spinal pathologies assisted interpretation. Objective : Development of a program allowing automatic pre-interpretation to detect, characterize and quantify spinal pathologies. Materials and methods: We have produced a DICOM reader prototype (C++) designed to extract learning data and then develop convolutional neural networks dedicated to spinal pathology analysis. Results: The program manages DICOM files with a display allowing all classic reconstruction functions (MPR, MIP, MinIP, 3D,) The massive use of the graphics card has significantly improved the process time of traditional DICOM management functions, image filtering and calculations compared to software with interpreted languages (such as Matlab). After extraction of the field truths using a conventional workstation, the program allowed to train convolutional neural networks and have obtained a 0.96 DICE similarity indice on automatic segmentation of the dural sac with or without stenosis. Conclusion: Actually we still have limitations due to hardware limitations. Nevertheless the prototype of the program proved its potential on a first basic study consisting in calculation of root canal surface which served as a test. Our program using convolutional neural networks is fast and will allow the generalization of deep learning processes.