Représentation uniforme de l'imagerie médicale

Uniform representation of medical imaging

• Auteur / Autrice : Lobna Fezai
• Direction : Christine Fernandez-Maloigne, Thierry Urruty
• Type : Thèse de doctorat
• Discipline(s) : Traitement du Signal et des Images
• Date : Soutenance le 06/04/2023
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique, matériaux, mécanique, énergétique (Poitiers ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : XLIM - XLIM / XLIM
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées
• Jury : Président / Présidente : Alain Miranville
• Jury : Examinateurs / Examinatrices : Guy Carrault
• Jury : Rapporteurs / Rapporteuses : Christophe Charrier, Muriel Visani

Mots clés

Mots clés contrôlés

Imagerie médicale -- Qualité de l'image

Analyse des données

Meta-apprentissage

Secret professionnel

Intelligence artificielle

Apprentissage profond

Mots clés libres

Intelligence artificielle

Apprentissage profond

Anonymisation

Meta-Apprentissage

Few-Shot-Learning

Artificial intelligence

Deep learning

Anonymization

Meta-Learning

Few-Shot-Learning

Résumé

Le domaine médical est un vaste domaine d’application de l’intelligence artificielle. Malgré les avancées récentes, il y reste une large marge d’innovation et d’amélioration face à des enjeux majeurs. L’apprentissage profond de son côté représente une perspective importante dans de multiples domaines et en particulier dans celui de l’imagerie médicale.Lors du déploiement de cette technique une restriction importante est liée aux données, leur disponibilité et leur confidentialité. Dans ce travail de thèse, nous proposons d’offrir aux experts médicaux de nouveaux outils pour utiliser l’apprentissage profond avec une quantité limitée de données.Nous soulignons également le danger de la pseudo-anonymisation et nous proposons un pipeline permettant une véritable anonymisation liée à l’identité du patient et à l’équipement d’acquisition.

The medical field is a vast area of application for artificial intelligence. Despite recent advances, there is still a lot of room for innovation and improvement in the face of major challenges. Deep learning, on the other hand, represents an important perspective in many areas and in particular in the field of medical imaging.In the deployment of this technique, an important restriction is related to data, its availability and confidentiality. In this thesis, we propose to offer medical experts new tools to use deep learning with a limited amount of data.We also point out the danger of pseudo-anonymization and propose a pipeline allowing true anonymization related to the patient's identity and the acquisition equipment.