Traitement de séries longitudinales pour l'imagerie médicale

Processing of longitudinal series for medical imaging

• Auteur / Autrice : Mohamed Fakhfakh
• Direction : Lotfi Chaari, Faiez Gargouri
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunication
• Date : Soutenance le 26/05/2023
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Jury : Président / Présidente : Jean-Yves Tourneret
• Jury : Examinateurs / Examinatrices : Lotfi Chaari, Faiez Gargouri, Jean-Yves Tourneret, Florence Forbes, Walid Barhoumi, Yousri Kessentini
• Jury : Rapporteurs / Rapporteuses : Florence Forbes, Walid Barhoumi

Mots clés

Mots clés contrôlés

Optimisation globale

Imagerie médicale

Mots clés libres

Optimisation

Apprentissage profond

MCMC

Ns-HMC

Optimization

Deep Learning

MCMC

Ns-HMC

Résumé

L'imagerie médicale ne cesse de profiter des progrès technologiques et scientifiques. Elle permet d’explorer le corps humain sans examens intrusifs et d'opérer avec grande précision. La mise en avant des innovations technologies durant ces dernières années a favorisé l’émergence de nouvelles techniques pour l’aide au diagnostic. Pour des fins de précisions, le diagnostic peut être réalisé aujourd’hui sur des séries longitudinales d’images. Durant ces années de thèse, trois contributions ont été proposées : Nous avons présenté une méthode de pronostic Covid-19 basée sur des architectures d'apprentissage en profondeur. La méthode proposée est basée sur la combinaison d'un réseau de neurones convolutifs et récurrents pour classifier des images radiographiques thoraciques multi-temporelles et prédire l'évolution de la pathologie pulmonaire observée. L’un des principaux défis dans les méthodes d’apprentissage est l’optimisation des poids du réseau. Dans ce contexte, nous avons développé une nouvelle méthode d'optimisation bayésienne permettant d'ajuster les poids des réseaux de neurones artificiels parcimonieux. La méthode proposée repose sur la dynamique hamiltonienne avec des régularisations non lisses. Par la suite, nous étendons dans la troisième contribution le schéma d’optimisation en proposant une fonction d’activation entraînable à l’aide des Chaîne de Markov Monte Carlo.

Medical imaging continues to benefit from technological and scientific progress. It allows to explore the human body without intrusive examinations and to operate with high precision. The highlighting of technological innovations in recent years has favored the emergence of new techniques for diagnostic assistance. To be more precise, a diagnosis can be made today on longitudinal series of images. During these years of the thesis, three contributions have been proposed: We have proposed a Covid-19 prognosis method based on deep learning architectures. The proposed method is based on the combination of a convolutional and recurrent neural network to classify multi-temporal chest X-ray images and predict the evolution of the observed lung pathology. One of the main challenges in learning methods is the optimization of network weights. In this context, we have developed a new Bayesian optimization method to adjust the weights of sparse artificial neural networks. The proposed method is based on Hamiltonian dynamics with non-smooth regularizations. Then, in the third contribution, we extend the optimization scheme by proposing a trainable activation function using Markov Monte Carlo chains.