Amélioration de l'acquisition IRM et de la détection d'anomalies grâce à des cadres d'apprentissage séquentiel évolutifs

Sequential and Active Learning for Advancing MRI Acquisition and Anomaly Detection in Brain Images

• Auteur / Autrice : Geoffroy Oudoumanessah
• Direction : Florence Forbes, Carole Lartizien, Michel Dojat
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le ; Soutenance le 17/11/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann
• Jury : Président / Présidente : Olivier Detante
• Jury : Examinateurs / Examinatrices : Florence Forbes, Carole Lartizien, Michel Dojat, Isabelle Bloch, Carole Sudre, Julia Schnabel, Jeffrey Fessler
• Jury : Rapporteurs / Rapporteuses : Julia Schnabel, Jeffrey Fessler

Mots clés

Mots clés libres

Cerveau

Apprentissage sequentiel

Apprentissage Non supervisé

Imagerie par resonnance magnetique

Détection d'anomalies

IRM d'empreinte

Brain

Anomaly detection

Unsupervised learning

Sequential learning

Mri

Magnetic Resonance Fingerprinting

Résumé

L'imagerie par résonance magnétique (IRM) a transformé l'imagerie médicale, en particulier dans le domaine des neurosciences, en permettant une cartographie 3D non invasive et à haute résolution des propriétés des tissus pour un diagnostic précis et une planification chirurgicale des pathologies cérébrales. Cependant, la demande croissante pour une acquisition plus rapide de l'IRM et le volume croissant d'ensembles de données d'IRM cérébrale de haute dimension à analyser posent des défis importants pour l'apprentissage de modèles. L'apprentissage séquentiel offre une solution robuste, servant de pierre angulaire à la descente de gradient stochastique et permettant aux réseaux neuronaux profonds (RNP) de traiter efficacement des ensembles de données à grande échelle. Bien que les algorithmes traditionnels d'apprentissage automatique aient du mal à s'adapter à de grands volumes de données de haute dimension, ils restent efficaces pour des tâches spécifiques. C'est pourquoi, dans la première partie de cette thèse, nous étudions comment les algorithmes traditionnels d'apprentissage automatique peuvent être mis à l'échelle en adoptant des techniques d'apprentissage séquentiel. Nous nous concentrons spécifiquement sur l'adaptation de l'algorithme de maximisation de l'espérance (EM) et des modèles de mélange pour gérer à la fois les grands volumes et les données de haute dimension. Notre approche consiste à appliquer ces modèles à grande échelle à deux défis pratiques : (i) la détection d'anomalies subtiles dans les IRM cérébrales de patients parkinsoniens de novo, et (ii) la résolution du problème inverse de la reconstruction de l'« empreinte » de l'IRM cérébrale. Nous démontrons que ces modèles ne sont pas seulement compétitifs par rapport aux DNN, mais qu'ils sont également frugaux en termes de calcul. Dans la deuxième partie, nous explorons une autre perspective de l'apprentissage séquentiel.

Magnetic Resonance Imaging (MRI) has transformed medical imaging, particularly in neuroscience, by enabling non-invasive, high-resolution 3D mapping of tissue properties for accurate diagnosis and surgical planning of brain pathologies. However, the increasing demand for faster MRI acquisition and the growing volume of high-dimensional brain MRI datasets to analyze pose significant challenges for model learning. Sequential learning provides a robust solution, serving as a cornerstone of stochastic gradient descent and enabling deep neural networks (DNNs) to efficiently process large-scale datasets. Although traditional machine learning algorithms struggle to scale with large volumes of high-dimensional data, they remain effective for specific tasks. For this reason, in the first part of this thesis, we investigate how traditional ML algorithms can be scaled by adopting sequential learning techniques. We focus specifically on adapting the Expectation-Maximization (EM) algorithm and mixture models to manage both large volumes and high-dimensional data. Our approach involves applying these scaled-up models to two practical challenges: (i) detecting subtle abnormalities in brain MRIs of de novo Parkinsonian patients, and (ii) solving the inverse problem of brain MRI ''fingerprinting'' reconstruction. We demonstrate that these models not only perform competitively with DNNs but are also computationally frugal. In the second part, we explore another perspective on sequential learning and computational efficiency, centered on the idea of learning while acquiring the minimal amount of data necessary to achieve a given task. We apply this concept to efficient MRI k-space sampling, leveraging diffusion models and Bayesian experimental design. Finally, both parts required the development of new software tools tailored for rapid iteration and experimentation with mixture models, the EM algorithm, and diffusion-based methods. These tools are introduced in the final part as two Python- and JAX-based packages—onlineEM and diffuse—designed to streamline research in these areas.