L'utilisation de l'intelligence artificielle générative pour la segmentation et l'analyse des images médicales

Using generative artificial intelligence to segment and analyze medical images

• Auteur / Autrice : Halima Fouadi
• Direction : Yassine Ruichek, Youssef El merabet
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Inscription en doctorat le 01/01/2025
• Etablissement(s) : Belfort-Montbéliard en cotutelle avec Université Ibn-Tofail
• Ecole(s) doctorale(s) : SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques
• Partenaire(s) de recherche : Laboratoire : Connaissance et Intelligence Artificielle Distribuées

Mots clés

Mots clés libres

Intelligence artificielle générative

Imagerie médicale

Segmentation

Classification

Generative artificial intelligence

Medical imaging

Segmentation

Classification

Résumé

Au cours de ces dernières années, l'intelligence artificielle (IA) est devenue un élément très important dans la transformation numérique, en bouleversant le monde entier par ses progrès dans tous les domaines, notamment la santé, la finance, la logistique, l'éducation, et bien d'autres domaines grâce à ses techniques et algorithmes. Au regard de ces avancées, notre projet s'intéresse particulièrement à l'application de l'intelligence artificielle dans le domaine de la santé, notamment pour la segmentation et l'analyse des images médicales. Ces images comprennent des modalités variées telles que l'imagerie par résonnance magnétique (IRM) qui permet de visualiser les « tissus mous », ce qui est nécessaire pour l'analyse des pathologies neurologiques et cardiovasculaires. En analysant ce type de données massives, l'IA permet non seulement l'identification d'anomalies invisibles à l'œil nu et le diagnostic des maladies, mais elle ouvre aussi la voie sur la médecine préventive et prédictive. Cependant, l'IA, par sa nature, repose sur des grandes quantités de donnée étiquetées par des experts dans le domaine médical pour pouvoir atteindre un niveau de précision élevé. Ceci constitue une limitation majeure en raison des coûts élevés, du temps nécessaire pour l'annotation des données, ainsi que des préoccupations concernant la confidentialité des données des patients. A lumière de ces limitations, l'intelligence artificielle générative peut répondre au besoin par la génération de données synthétiques réalistes augmentant ainsi la diversité et la quantité des bases de données, tout en conservant les caractéristiques relatives aux pathologies. Ces images synthétiques prouvent être utilisées pour l'entrainement de modèles de segmentation et de diagnostique à base de modèles d'IA profonds. Ces derniers nécessitent en effet beaucoup de données d'apprentissage garantissant leur robustesse et leur capacité à généraliser sur de nouveaux cas cliniques. Plusieurs approches d'IA générative seront considérées et évaluées dans le cadre cette thèse. L'utilisation de l'IA générative peut également enrichir le processus d'apprentissage auto-supervisé, en se basant sur des étiquettes générées par une IA entrainée avec l'intégration de connaissances sur les pathologiques. Cela ouvre la voie à des avancées très significatives dans le diagnostic précoce et l'évaluation des pathologies, offrant aux professionnels de la santé des outils plus performants et plus flexibles.

In recent years, artificial intelligence (AI) has become a very important element in digital transformation, shaking up the whole world with its advances in all fields, including healthcare, finance, logistics, education, and many others thanks to its techniques and algorithms. In view of these advances, our project is particularly interested in the application of artificial intelligence in the healthcare field, notably for the segmentation and analysis of medical images. These images include various modalities such as Magnetic Resonance Imaging (MRI), which enables the visualization of “soft tissue”, which is necessary for the analysis of neurological and cardiovascular pathologies. By analyzing this type of massive data, AI not only enables the identification of anomalies invisible to the naked eye and the diagnosis of diseases, but also paves the way for preventive and predictive medicine. However, AI, by its very nature, relies on large quantities of data labelled by experts in the medical field in order to achieve a high level of precision. This is a major limitation due to high costs, the time required for data annotation, as well as concerns about patient data confidentiality. In light of these limitations, generative artificial intelligence can meet the need by generating realistic synthetic data, thus increasing the diversity and quantity of databases, while preserving pathology-related features. These synthetic synthetic images are proving their worth in training segmentation and diagnostic models based on deep AI models. The latter require a great deal of training data to guarantee their robustness and ability to generalize to new clinical cases. Several generative AI approaches will be considered and evaluated in this thesis. The use of generative AI can also enrich the self-supervised learning process, based on labels generated by a trained AI with the integration of pathological knowledge. This opens the way to very significant advances in the early diagnosis and assessment of pathologies, offering healthcare professionals more effective and flexible tools. more powerful and flexible tools.