Cartesian genetic programming for biomedical image segmentation

Programmation Génétique Cartésienne pour la Segmentation d'Images Biomédicales

• Auteur / Autrice : Kévin Cortacero
• Direction : Salvatore Valitutti, Sylvain Cussat-Blanc
• Type : Thèse de doctorat
• Discipline(s) : Immunologie
• Date : Soutenance le 08/11/2023
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Biologie Santé Biotechnologies (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Cancérologie de Toulouse (2011-....)
• Jury : Président / Présidente : Cédric Wemmert
• Jury : Examinateurs / Examinatrices : Nicolas Gaudenzio, Wolfgang Banzhaf
• Jury : Rapporteurs / Rapporteuses : Una-May O’Reilly

Mots clés

Mots clés contrôlés

Apprentissage automatique

Programmation génétique (informatique)

Imagerie médicale

Mots clés libres

Intelligence artificielle explicable

Apprentissage automatique

Programmation génétique cartésienne

Traitement d'image

Segmentation d'instances

Explainable Artificial Intelligence

Machine Learning

Cartesian Genetic Programming

Image Processing

Instance Segmentation

Résumé

Au cours de la dernière décennie, l'Intelligence Artificielle (IA), et en particulier l'Apprentissage Profond (DL pour ''Deep Learning''), a connu une croissance exponentielle. Bien que l'accent ait principalement été mis sur l'amélioration de la précision des modèles, l'explicabilité, la frugalité et la réduction de la taille des jeux de données sont des défis essentiels qui doivent être abordés avec une urgence croissante. Bien que la précision demeure primordiale, cette thèse propose un rééquilibrage de ces critères, dans le but d'atteindre une performance de modèle solide dans un contexte de transparence totale et d'apprentissage avec peu d'annotaions. Cette thèse se concentre sur le domaine de l'imagerie biomédicale et la segmentation des entités biologiques à l'aide de la vision par ordinateur. Nous introduisons ici Kartezio, une approche basée sur la Programmation Génétique Cartésienne (CGP) qui produit des algorithmes de traitement d'image transparents et interprétables grâce à l'assemblage et la paramétrisation itérative des fonctions. Les pipelines ainsi créés démontrent une performance comparable aux approches DL pour les tâches de segmentation d'image, avec moins de données d'entrainement. Cette méthode frugale d'apprentissage confère une grande flexibilité, comme démontré à travers une série de cas d'étude. De plus, cette thèse explore plusieurs approches pour extraire des informations significatives de la structure des algorithmes générés, offrant des stratégies pour diriger l'optimisation de l'algorithme à l'avenir. Enfin, cette étude étend le travail publié à un nombre illimité de types pouvant être intégrés au sein d'un même modèle multimodal (UT-CGP). Grâce à cette exploration détaillée, ce travail ne présente pas seulement une méthodologie, mais propose également une alternative ou un complément aux paradigme dominant du DL qualifié de ''boîte noire''. Cela suggère que, malgré la complexité des solutions de pointe, nous avons peut-être précédemment sous-estimé des technologies frugales et transparentes telles que CGP, en particulier dans le domaine du traitement d'image. Dans l'imagerie biomédicale, où les prédictions des modèles peuvent avoir des implications profondes, l'idée d'utiliser des techniques modernes d'IA ne devrait pas être mise de côté en raison de contraintes de calcul ou de données, ni d'un manque de transparence. En présentant les modèles CGP à travers plusieurs applications pratiques, cette thèse plaide en faveur de l'adoption de l'Intelligence Artificielle Explicable (XAI) dans le domaine biomédical.

Over the past decade, Artificial Intelligence (AI), and in particular Deep Learning (DL), has experienced exponential growth. Although the main focus has been on improving the accuracy of models, explainability, frugality and dataset size reduction are fundamental challenges that need to be addressed with increasing urgency. While precision remains paramount, this thesis research proposes a rebalancing of these metrics, in order to achieve strong model performance in the context of full transparency and Few-Shot learning. This thesis focuses upon the field of biomedical imaging and the segmentation of biological entities using computer vision. Herein, we introduce Kartezio, a modular Cartesian Genetic Programming (CGP)-based computational strategy that produces transparent and interpretable image processing algorithms through the iterative assembly and parameterization of functions. The pipelines thus created demonstrate comparable performance to state-of-the-art DL approaches on image segmentation tasks, while requiring drastically smaller training datasets. This Few-Shot Learning and frugal method confers tremendous flexibility, as demonstrated herein through a series of biomedical Use Cases. In addition, this thesis explores several approaches to extract meaningful information from the structure of the generated algorithms, offering strategies to direct optimization of the algorithm in the future. Finally, this study proposes extensions of the published work wherein unlimited types of data can be integrated into a single multi-modal evolutionary approach (UT-CGP). Through this detailed exploration, this work not only introduces a methodology but also offers an alternative or complement to dominant ``black-box'' DL paradigms. This suggests that, despite the complexity of state-of-the-art DL solutions, we may have previously underestimated frugal and transparent strategies such as CGP, particularly in the field of Image Processing. In biomedical imaging, where model predictions can have profound implications, the idea of using modern AI techniques should not be sidelined either due to computational or data constraints, or a lack of transparency. By showcasing CGP models through several practical applications, this thesis argues for the adoption of eXplainable Artificial Intelligence (XAI) in the biomedical domain.