Réseaux de neurones profonds améliorés pour le diagnostic précoce de la gonarthrose
Auteur / Autrice : | Yassine Nasser |
Direction : | Rachid Jennane, Mohammed El Hassouni |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences et Technologies Industrielles. Informatique |
Date : | Soutenance le 20/03/2023 |
Etablissement(s) : | Orléans en cotutelle avec Université Mohammed V (Rabat) |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) |
Partenaire(s) de recherche : | Laboratoire : Institut Denis Poisson (Orléans, Tours ; 2018-....) |
Jury : | Président / Présidente : Romain Abraham |
Examinateurs / Examinatrices : Didier Hans | |
Rapporteurs / Rapporteuses : Mohamed El Haziti, Abdellah Adib, Christine Chappard |
Mots clés
Mots clés contrôlés
Résumé
La gonarthrose est une maladie dégénérative du genou qui peut entraîner une douleur et une perte de mobilité. La thèse en question a pour objectif de développer des modèles de d’apprentissage profond pour détecter précocement la gonarthrose à partir d’images radiographiques. Pour cela, une nouvelle architecture, appelée DRAE, basée sur les auto-encodeurs a été introduite. Le but de ce modèle est de séparer les images de genoux sains et arthrosiques en minimisant la distance entre images de même classe (intra-classes) et en maximisant la distance entre images de classes différentes (inter-classes). Ensuite,cette régularisation discriminante a été intégrée à un réseau de neurones convolutionnel (CNN) pour améliorer la détection précoce de la gonarthrose. Ce modèle, appelé DCNN, a été proposé pour analyser à la fois la texture et la forme de l’image. Enfin, le modèle final, appelé DST-CNN, a été proposé pour améliorer l’analyse de la texture et s’adapter aux tâches de classification multi-classes. Le modèle DST-CNN a montré une meilleure performance de classification et bien équilibrée que les modèles de l’état de l’art existants.