Analyse et interprétation intelligentes des sémantiques de descripteurs en imagerie médicale

Intelligent analysis and interpretation of descriptor semantics in medical imaging

• Auteur / Autrice : Adrien Raison
• Direction : David Helbert
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 20/12/2023
• Etablissement(s) : Poitiers
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique, matériaux, mécanique, énergétique (Poitiers ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : XLIM (Brive, Limoges, Poitiers ; 2006-....) - XLIM / XLIM
• Partenaire(s) de recherche : faculte : Université de Poitiers. UFR des sciences fondamentales et appliquées (1896-....)
• Jury : Président / Présidente : Jean-Yves Ramel
• Jury : Examinateurs / Examinatrices : Mathieu Naudin, Pascal Bourdon
• Jury : Rapporteurs / Rapporteuses : Frédéric Alexandre, Marc Plantevit
• DOI : 10.70675/221215ebz0af1z40ccz85fazc90b0e422627

Mots clés

Mots clés contrôlés

Apprentissage profond

Réseaux neuronaux graphiques

Intelligence artificielle en médecine

Intelligence artificielle explicable

Théorie des graphes

Mots clés libres

Apprentissage profond

Apprentissage géométrique profond

Réseaux de neurones sur graphes

Explicabilité

Intelligence artificielle explicable

Graphes

Deep-learning

Geometric deep learning

Grah neural network

Explainability

Explanable artificial intelligence

Graphs

Résumé

Les modèles d’intelligence artificielle sont désormais des modèles de pointe permettant de résoudre un large éventail de problèmes académiques ou industriels. En raison de leur sur paramétrisation, nous ne pouvons pas comprendre clairement le rôle spécifique de chacun des paramètres impliqués. Ils sont utilisés dans des contextes sensibles tels que la santé ou la conduite autonome, nous manquons donc d'interprétabilité de ces modèles complexes, ce qui nous empêche d'affirmer clairement l'innocuité de ces modèles pour notre société. Dans ce travail, nous nous sommes concentrés sur une classe spécifique de modèles d’intelligence artificielle répondant au paradigme de l’apprentissage géométrique profond et sur leur interprétabilité. Le modèle de base représentant cette classe est connu sous le nom de modèle de réseau de neurones sur graphe. Dans un premier temps, nous avons mené une analyse des méthodes explicatives existantes dans le domaine de la neurologie. Ces travaux ont permis de retrouver des résultats présents dans la littérature biologique via des arguments numériques produits par des modèles intelligents. Ce travail illustre favorablement la possibilité d’utiliser des modèles intelligents dans le domaine de la neurologie. Ensuite, nous détaillons la généralisation d’une méthode d’explication efficace à une classe de modèles comprenant des a priori géométriques, plus grande que celle pour laquelle elle a été initialement créée. Nous illustrons comment cette méthode reste pertinente par rapport à l’état de l’art avec les mesures quantitatives et qualitatives habituelles. Ensuite, nous appliquons la méthode explicative évoquée précédemment à la caractérisation numérique des émotions faciales. Nous montrons également ici la pertinence de la méthode par rapport à l’état de l’art, renforçant ainsi la pertinence globale de la méthode par rapport aux méthodes existantes, même si elle présente certaines limites. Enfin, nous avons soulevé une des principales limites de la méthode précédente et intégré un point manquant dans toutes les méthodes explicatives existantes et nous présentons une nouvelle méthode explicative ayant une grande compatibilité avec les modèles intelligents a à priori géométriques, et incluant la dépendance sociale à laquelle les méthodes explicatives sont intrinsèquement dépendantes.

Artificial intelligence models are now state of the art models for solving a wide range of academic or industrial problems. Due to their overparametrization, we cannot clearly understand the specific role of each of involved parameter. While used in sensible contexts such as healthcare or autonomous driving, we thus lack of interpretability regarding these complex models. which preventing us to state clearly the harmless usability of these models for our society. In this work, we have focused on a specific class of artificial intelligence models responding to the geometric deep learning paradigm and their interpretability. The core model representing this class are known as graph neural network model. Firstly, we have lead an analysis of existing explaining methods in the field of neurology. This work made it possible to find results present in the biological literature via numerical arguments produced by intelligent models. This work favorably illustrates the possibility of using intelligent models in the field of neurology. Then, we detail the generalization of an effective explaining method to a class of models including geometric prior, larger than that for which it was initially created. We illustrate how this method remains relevant compared to the state of the art with usual quantitative and qualitative measurements Then, we apply the explaining method previously mentioned to the digital characterization of facial emotions. Here we also show the relevance of the method compared to the state of the art, thus reinforcing the overall relevance of the method compared to existing methods, although it has some limitations. Finally, we raised one of the main limitations of the previous method and integrate a missing point, in all existing explaining methods and we present a new explaining method having great compatibility with intelligent models with geometric prior, and including the social dependence to which explaining methods are inherently dependent.