Représentation uniforme de l'imagerie médicale
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 |
faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées | |
Jury : | Président / Présidente : Alain Miranville |
Examinateurs / Examinatrices : Guy Carrault | |
Rapporteurs / Rapporteuses : Christophe Charrier, Muriel Visani |
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.