Traitement de séries longitudinales pour l'imagerie médicale
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 |
Examinateurs / Examinatrices : Lotfi Chaari, Faiez Gargouri, Jean-Yves Tourneret, Florence Forbes, Walid Barhoumi, Yousri Kessentini | |
Rapporteurs / Rapporteuses : Florence Forbes, Walid Barhoumi |
Mots clés
Mots clés contrôlés
Mots clés libres
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.