Analyse informatique des images biologiques Réseaux neuronaux pour le traitement d'images

Computer-based analysis of Biological Images Neuronal Networks for Image Processing

• Auteur / Autrice : Dirk Hillmer
• Direction : Martin Hagedorn
• Type : Thèse de doctorat
• Discipline(s) : Biologie Cellulaire et Physiopathologie
• Date : Soutenance le 27/05/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Sciences de la vie et de la santé (Talence, Gironde ; 1993-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'oncologie de Bordeaux (2022-....)
• Jury : Président / Présidente : Christophe Mulle
• Jury : Examinateurs / Examinatrices : Gertraud Orend, Jörg Wilting
• Jury : Rapporteurs / Rapporteuses : Gertraud Orend, Jörg Wilting

Mots clés

Mots clés contrôlés

Infographie

Intelligence artificielle en médecine

Traitement d'images

Imagerie

Vitiligo

Mots clés libres

Traitement d'images

Intelligence artificielle

Vitiligo

Images de synthèse

Image processing

Artificial Intelligence

Vitiligo

Computer graphics

Résumé

L’IA en médecine est un domaine en croissance rapide et son importance en dermatologie est de plus en plus prononcée. Les progrès des réseaux neuronaux, accélérés par de puissants GPU, ont catalysé le développement de systèmes d’IA pour l’analyse des troubles cutanés. Cette étude présente une nouvelle approche qui exploite les techniques d’infographie pour créer des réseaux d’IA adaptés aux troubles cutanés. La synergie de ces techniques génère non seulement des données de formation, mais optimise également la manipulation des images pour un traitement amélioré. Le vitiligo, un trouble cutané dépigmentant courant, constitue une étude de cas poignante. L’évolution des thérapies ciblées souligne la nécessité d’une évaluation précise de la surface touchée. Cependant, les méthodes d’évaluation traditionnelles prennent beaucoup de temps et sont sujettes à une variabilité inter-évaluateur et intra-évaluateur. En réponse, cette recherche vise à construire un système d'intelligence artificielle (IA) capable de quantifier objectivement la gravité du vitiligo facial. La formation et la validation du modèle d'IA ont exploité un ensemble de données d'une centaine d'images de vitiligo facial. Par la suite, un ensemble de données indépendant de soixante-neuf images de vitiligo facial a été utilisé pour l’évaluation finale. Les scores attribués par trois médecins experts ont été comparés aux performances inter-évaluateurs et intra-évaluateurs, ainsi qu'aux évaluations de l'IA. De manière impressionnante, le modèle d’IA a atteint une précision remarquable de 93 %, démontrant son efficacité dans la quantification de la gravité du vitiligo facial. Les résultats ont mis en évidence une concordance substantielle entre les scores générés par l'IA et ceux fournis par les évaluateurs humains. Au-delà du vitiligo facial, l'utilité de ce modèle dans l'analyse des images du corps entier et des images sous différents angles est apparue comme une voie d'exploration prometteuse. L'intégration de ces images dans une représentation complète pourrait offrir un aperçu de la progression du vitiligo au fil du temps, améliorant ainsi le diagnostic clinique et les résultats de la recherche. Bien que le voyage ait été fructueux, certains aspects de la recherche se sont heurtés à des obstacles en raison de ressources insuffisantes en images et en données. Une exploration de l'analyse de modèles de souris in vivo et de l'analyse de la pigmentation des cellules de la peau dans des modèles d'embryons précliniques ainsi que de la reconnaissance d'images de la rétine a malheureusement été interrompue. Néanmoins, ces défis mettent en lumière la nature dynamique de la recherche et soulignent l’importance de l’adaptabilité pour surmonter les obstacles imprévus.En conclusion, cette étude met en valeur le potentiel de l’IA pour révolutionner l’évaluation dermatologique. En fournissant une évaluation objective de la gravité du vitiligo facial, le modèle d’IA proposé constitue un complément précieux à l’évaluation humaine, tant dans la pratique clinique que dans la recherche. La poursuite continue de l’intégration de l’IA dans l’analyse de divers ensembles de données d’images est prometteuse pour des applications plus larges en dermatologie et au-delà.

AI in medicine is a rapidly growing field, and its significance in dermatology is increasingly pronounced. Advancements in neural networks, accelerated by powerful GPUs, have catalyzed the development of AI systems for skin disorder analysis. This study presents a novel approach that harnesses computer graphics techniques to create AI networks tailored to skin disorders. The synergy of these techniques not only generates training data but also optimizes image manipulation for enhanced processing. Vitiligo, a common depigmenting skin disorder, serves as a poignant case study. The evolution of targeted therapies underscores the necessity for precise assessment of the affected surface area. However, traditional evaluation methods are time-intensive and prone to inter- and intra-rater variability. In response, this research endeavors to construct an artificial intelligence (AI) system capable of objectively quantifying facial vitiligo severity.The AI model's training and validation leveraged a dataset of one hundred facial vitiligo images. Subsequently, an independent dataset of sixty-nine facial vitiligo images was used for final evaluation. The scores assigned by three expert physicians were compared with both inter- and intra-rater performances, as well as the AI's assessments. Impressively, the AI model achieved a remarkable accuracy of 93%, demonstrating its efficacy in quantifying facial vitiligo severity. The outcomes highlighted substantial concordance between AI-generated scores and those provided by human raters.Expanding beyond facial vitiligo, this model's utility in analyzing full-body images and images from various angles emerged as a promising avenue for exploration. Integrating these images into a comprehensive representation could offer insights into vitiligo's progression over time, thereby enhancing clinical diagnosis and research outcomes. While the journey has been fruitful, certain aspects of the research encountered roadblocks due to insufficient image and data resources. An exploration into analysis of in vivo mouse models and analysing pigmentation of skin cells in a preclinical embryo models as well as retina image recognition was regrettably halted. Nevertheless, these challenges illuminate the dynamic nature of research and underscore the importance of adaptability in navigating unforeseen obstacles.In conclusion, this study showcases the potential of AI to revolutionize dermatological assessment. By providing an objective evaluation of facial vitiligo severity, the proposed AI model offers a valuable adjunct to human assessment in both clinical practice and research settings. The ongoing pursuit of integrating AI into the analysis of diverse image datasets holds promise for broader applications in dermatology and beyond.