SEGMENTATION HOLISTIQUE DES IRM CEREBRALES PAR INTELLIGENCE ARTIFICIELLE

HOLISTIC SEGMENTATION OF BRAIN MRI BY ARTIFICIAL INTELLIGENCE

• Auteur / Autrice : Edern Le bot
• Direction : Pierrick CoupÉ
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 28/09/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : LaBRI - Laboratoire Bordelais de Recherche en Informatique
• Partenaire(s) de recherche : Equipe de recherche : Images et Son

Mots clés

Mots clés libres

Imagerie Médicale

Intelligence Artificielle

Apprentissage Profond

Artificial intelligence

Medical imaging

Deep learning

Résumé

Lorsqu'un système complexe est étudié, il est généralement décomposé en sous-systèmes plus petits et plus simples afin de faciliter son analyse. Un tel paradigme réductionniste est puissant ; rendant l'analyse plus facile, mais ignore les interactions et les relations qui existent entre les différentes parties et les échelles de l'ensemble du système. Face à la complexité de l'anatomie du cerveau, les experts humains suivent ce paradigme lors de l'analyse de l'organisation cérébrale à l'aide de l'imagerie par résonance magnétique (IRM) 3D. Par conséquent, les experts humains se spécialisent dans des structures cérébrales spécifiques (c'est-à-dire une tâche) à un niveau anatomique donné (c'est-à-dire une échelle). Cette stratégie réductionniste se traduit par de nombreuses méthodes de traitement d'image spécifiques à une tâche ignorant les relations entre les tâches et les interdépendances d'échelle. Par conséquent, ces outils produisent des représentations cérébrales partielles, empêchant une analyse globale du cerveau. Dans cette thèse, nous proposons un nouveau paradigme holistique capable de traiter l'IRM 3D multimodale à haute résolution afin de générer une analyse du cerveau entier à toutes les échelles de manière cohérente. Pour cela, nous proposons de développer de nouvelles méthodes de traitement d'images basées sur un grand nombre de réseaux partageant des informations entre tâches et échelles. L'idée principale est de diviser ce problème insoluble pour un seul réseau en plusieurs tâches plus simples traitées par un grand ensemble de réseaux collaborant.

When a complex system is studied, it is usually broken down into smaller and simpler subsystems to facilitate its analysis. Such a reductionist paradigm is powerful; making analysis easier, but ignores the interactions and relationships that exist between different parts and scales of the whole system. Faced with the complexity of brain anatomy, human experts follow this paradigm when analyzing brain organization using 3D magnetic resonance imaging (MRI). Therefore, human experts specialize in specific brain structures (i.e. task) at a given anatomical level (i.e. scale). This reductionist strategy results in many task-specific image processing methods ignoring task relationships and scale interdependencies. Therefore, these tools produce partial brain representations, preventing a global analysis of the brain. In this Ph.D thesis, we propose a new holistic paradigm capable of processing high-resolution multimodal 3D MRI to generate whole-brain analysis at all scales in a consistent manner. For this, we propose to develop new image processing methods based on a large number of networks sharing information between tasks and scales. The main idea is to divide this unsolvable problem for a single network into several simpler tasks handled by a large set of collaborating networks.