Réseaux de neurones profonds améliorés pour le diagnostic précoce de la gonarthrose

Enhanced deep neural networks for early diagnosis of knee osteoarthritis

• 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
• Jury : Examinateurs / Examinatrices : Didier Hans
• Jury : Rapporteur / Rapporteuse : Mohamed El Haziti, Abdellah Adib, Christine Chappard

Mots clés

Mots clés contrôlés

Analyse discriminante

Intelligence artificielle en médecine

Reconnaissance des formes (informatique)

Réseaux neuronaux (informatique)

Radiographie

Genou

Prévention

Gonarthrose

Apprentissage automatique

Apprentissage profond

Mots clés libres

Auto-Encodeur

Réseau de neurones convolutionnel

Apprentissage des caractéristiques

Auto-Encoder

Convolutional Neural Network

Feature representation learning

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.

Knee osteoarthritis is a common cause of physical disability that causes pain and reduced mobility. This thesis aimed to develop deep-learning models to detect knee osteoarthritis at an early stagusing radiographic images. A new autoencoder-based architecture called the Discriminative Regularized Auto-Encoder (DRAE) was introduced to achieve this. The DRAE was designed to distinguish between healthy and arthritic knee images by minimizing the distance between images of the same class (intraclass) and maximizing the distance between images of different classes (interclass). This discriminative regularization technique, used in DRAE, was then incorporated into a Convolutional Neural Network (CNN). The resulting model, called Discriminative Convolutional Neural Network(DCNN), was proposed to analyze both the texture and shape of the images, therefore improving the early detection of knee osteoarthritis. Finally, a Discriminative Shape-Texture Convolutional Neural Network (DST-CNN) model was proposed to enhance texture analysis and adapt to the multi-class classification tasks. The DST-CNN model showed better and well-balanced classification performance than current state-of-the-art models..