Une étude des méthodes d'apprentissage automatique et d'apprentissage profond et de leur application à l'imagerie médicale
Auteur / Autrice : | David Wallis |
Direction : | Irène Buvat |
Type : | Thèse de doctorat |
Discipline(s) : | Imagerie et physique médicale |
Date : | Soutenance le 01/06/2021 |
Etablissement(s) : | université Paris-Saclay |
Ecole(s) doctorale(s) : | École doctorale Electrical, optical, bio-physics and engineering |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'imagerie translationnelle en oncologie (Orsay, Essonne ; 2020-....) |
référent : Faculté des sciences d'Orsay | |
Jury : | Président / Présidente : Ronald Boellaard |
Examinateurs / Examinatrices : Julia Schnabel, Johan Nuyts, Antoine Grigis | |
Rapporteurs / Rapporteuses : Julia Schnabel, Johan Nuyts |
Mots clés
Résumé
Nous utilisons d'abord des réseaux neuronaux convolutifs (CNNs) pour automatiser la détection des ganglions lymphatiques médiastinaux dans les images TEP/TDM. Nous construisons un modèle entièrement automatisé pour passer directement des images TEP/TDM à la localisation des ganglions. Les résultats montrent une performance comparable à celle d'un médecin. Dans la seconde partie de la thèse, nous testons la performance, l'interprétabilité et la stabilité des modèles radiomiques et CNN sur trois ensembles de données (IRM cérébrale 2D, TDM pulmonaire 3D, TEP/TDM médiastinale 3D). Nous comparons la façon dont les modèles s'améliorent lorsque davantage de données sont disponibles et nous examinons s'il existe des tendances communess aux différents problèmes. Nous nous demandons si les méthodes actuelles d'interprétation des modèles sont satisfaisantes. Nous étudions également comment une segmentation précise affecte les performances des modèles. Nous utilisons d'abord des réseaux neuronaux convolutifs (CNNs) pour automatiser la détection des ganglions lymphatiques médiastinaux dans les images TEP/TDM. Nous construisons un modèle entièrement automatisé pour passer directement des images TEP/TDM à la localisation des ganglions. Les résultats montrent une performance comparable à celle d'un médecin. Dans la seconde partie de la thèse, nous testons la performance, l'interprétabilité et la stabilité des modèles radiomiques et CNN sur trois ensembles de données (IRM cérébrale 2D, TDM pulmonaire 3D, TEP/TDM médiastinale 3D). Nous comparons la façon dont les modèles s'améliorent lorsque davantage de données sont disponibles et nous examinons s'il existe des tendances communess aux différents problèmes. Nous nous demandons si les méthodes actuelles d'interprétation des modèles sont satisfaisantes. Nous étudions également comment une segmentation précise affecte les performances des modèles.