Développement de méthodes pour la création de modèles d'IA performants et robustes en imagerie médicale

Development of methods for the design of efficient and robust AI models in medical imaging

• Auteur / Autrice : Paul Steinmetz
• Direction : Irène Buvat
• Type : Projet de thèse
• Discipline(s) : Physique et imagerie médicale
• Date : Inscription en doctorat le 08/01/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Imagerie Translationnelle en Oncologie
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Intelligence artificielle

Irm

Imagerie médicale

TEP scan

Computer Vision

Medical Imaging

Uncertainty Quantification

Artificial intelligence

Résumé

Le développement de méthodes relevant de l'Intelligence Artificielle (IA) pour faciliter l'interprétation des images médicales et mieux exploiter leur contenu est en pleine expansion. Ces développements se heurtent cependant à des obstacles récurrents. Par exemple, la quantité d'images médicales composant les bases de données d'apprentissage est bien souvent limitée, notamment en comparaison aux volumes d'images « naturelles » accessibles pour entrainer des algorithmes de reconnaissance d'objets, d'animaux, de plantes, etc. Ce volume limité d'images disponibles pour l'apprentissage est d'autant plus fréquent dans le contexte de la médecine de précision où les maladies sont distinguées par un nombre croissant de critères, qui rend difficile la collecte de bases d'images homogènes vis-à-vis de l'ensemble de ces critères. Au-delà de la quantité d'images composant les bases d'apprentissage, la plupart des méthodes d'IA développées en imagerie médicale relèvent actuellement de l'apprentissage supervisé. Elles nécessitent un travail laborieux d'annotation des images par des experts. Les annotations peuvent s'avérer de qualité variable, bruitées et biaisées. Ces limites sont omniprésentes et appellent de nouvelles solutions. L'hypothèse du travail de thèse est que les méthodes d'IA développées pour des applications différentes de celles de l'imagerie médicale pourraient être revisitées et adaptées au contexte spécifique des images médicales, dans le but de dépasser les performances actuellement atteintes au moyen d'algorithmes développés à partir de bases de données limitées en quantité et qualité. L'objectif du travail de thèse est donc d'exploiter les avancées récentes du domaine de l'IA, notamment concernant l'apprentissage faiblement supervisé et non-supervisé ou l'apprentissage par transfert, pour résoudre les obstacles auxquels se heurtent systématiquement le développement d'applications d'IA en imagerie médicale, à savoir le faible volume de données imparfaitement annotées. Il s'agira également de démontrer la pertinence des méthodes développées sur des cas d'usage relevant de l'imagerie TEP/TDM et IRM.

The development of Artificial Intelligence (AI) methods to facilitate the interpretation of medical images and to better exploit their content is growing fast. However, these developments face recurrent obstacles. For example, the quantity of medical images used as a training set is often limited, especially in comparison to the volumes of 'natural' images that are available to train algorithms for recognizing objects, animals, plants, etc. This limited volume of images available for training is frequent in the context of precision medicine where diseases are distinguished by an increasing number of criteria, which makes it difficult to collect homogeneous image bases with respect to all these criteria. Beyond the quantity of images composing the learning bases, most AI methods developed in medical imaging are currently based on supervised learning. They require a time-consuming work of annotation of the images by experts. The annotations can be of variable quality, noisy and biased. These limitations are challenging and call for new solutions. The hypothesis of the doctoral work is that AI methods developed for applications other than medical imaging could be revisited and adapted to the specific context of medical images, with the aim of surpassing the performances currently achieved by algorithms developed from databases limited in quantity and quality. The objective of the work is to exploit recent advances in the field of AI, notably in weakly supervised and unsupervised learning or transfer learning, in order to solve the obstacles systematically encountered in the development of AI applications in medical imaging, namely the small volume of imperfectly annotated data. The relevance of the methods developed will have to be demonstrated on use cases in PET/CT and MRI imaging.