Segmentation, classification et modèles génératifs pour le diagnostic assisté par ordinateur des maladies neurologiques à partir de données de neuroimagerie

Segmentation, classification and generative models for computer-aided diagnosis of neurological diseases from neuroimaging data

• Auteur / Autrice : Guanghui Fu
• Direction : Olivier Colliot, Didier Dormont
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau et de la moelle épinière

Mots clés

Mots clés libres

Apprentissage automatique

Traitement d'images

Imagerie médicale

Machine learning

Image processing

Medical imaging

Résumé

Les maladies neurologiques constituent un problème majeur de santé publique. Un diagnostic précoce et précis est essentiel pour fournir des soins adéquats aux patients et concevoir des essais cliniques efficaces pour trouver de nouveaux traitements. La neuroimagerie joue un rôle majeur dans le diagnostic de ces troubles. Les techniques d'apprentissage profond sont très prometteuses pour aider au diagnostic. Cependant, la conception d'une méthode efficace est entravée par le nombre limité de données annotées dans ce domaine. L'objectif de ce projet est de concevoir et de valider des méthodes d'apprentissage en profondeur pour le diagnostic assisté par ordinateur des troubles neurologiques, et en particulier des méthodes pouvant traiter des applications où les données annotées sont limitées. Plus précisément, trois axes de recherche sont proposés. La première concerne la segmentation des structures cérébrales et des lésions. Le second concerne le développement de méthodes de classification automatique des patients afin d'améliorer le diagnostic différentiel. Dans les deux cas, nous explorerons des méthodes auto-supervisées et faiblement supervisées, en particulier l'apprentissage contrastif. Le troisième axe de recherche vise à concevoir des modèles pouvant générer automatiquement des rapports médicaux à partir de données d'imagerie. Les approches développées seront appliquées à différentes bases de données de patients acquises par nos partenaires de l'Institut du Cerveau et de l'Hôpital de la Pitié-Salpêtrière et qui concernent la maladie de Parkinson et les syndromes apparentés, la sclérose en plaques et la maladie d'Alzheimer.

Neurological diseases are a major public health problem. Early and accurate diagnosis is essential to provide adequate patient care and design effective clinical trials to find new treatments. Neuroimaging plays a major role in the diagnosis of these disorders. Deep learning techniques offer significant promise to assist diagnosis. However, the design of efficient method is hampered by the limited number of annotated data in this field. The objective of this project is to design and validate deep learning methods for computer-assisted diagnosis of neurological disorders, and in particular methods that can deal with applications where annotated data is limited. More specifically, three research axes are proposed. The first one concerns the segmentation of brain structures and lesions. The second concerns the development of methods for automatic classification of patients in order to improve differential diagnosis. In both cases, we will explore self-supervised and weakly supervised methods, in particular, contrastive learning. The third research axis aims at designing models that could automatically generate medical reports from imaging data. The developed approaches will be applied to different patient databases acquired by our partners from the Brain Institute and the Pitié-Salpêtrière Hospital and which concern Parkinson's disease and related syndromes, multiple sclerosis and Alzheimer's disease.