Apprentissage en profondeur d'un réseau de neurones pour la segmentation et la classification en Imagerie Médicale.

par Mostefa Ben Naceur

Projet de thèse en Informatique

Sous la direction de Mohamed Akil.

Thèses en préparation à Paris Est en cotutelle avec l'Université Mohamed Khider de Biskra , dans le cadre de MSTIC : Mathématiques et Sciences et Technologies de l'Information et de la Communication , en partenariat avec LIGM - Laboratoire d'informatique Gaspard-Monge (laboratoire) et de A3IS - Algorithme, Architecture, Analyse et Synthèse d'Image (equipe de recherche) depuis le 11-04-2018 .


  • Résumé

    L'imagerie cérébrale est l'ensemble des techniques d'imagerie au service des Neurosciences qui permettent la compréhension du système nerveux central. Plusieurs types de procédés physiques sont utilisés telles que: IRM, IRMd, TEP, IRMf. Ces techniques mettent à la disposition du radiologue des outils performants à condition de maîtriser ces techniques et les données cliniques et pathologies à rechercher. Néanmoins malgré les avancées technologiques dans ce domaine l'étude du cerveau humain est une tâche ardue et reste un sujet de recherche de forte actualité. La problématique reliée à cette étude réside alors dans l'interprétation des informations dans les images radiologiques manipulées. C'est pourquoi la recherche quantitative en Neuroimagerie nécessite souvent la segmentation anatomique du cerveau humain à partir d'images IRM afin d'aider la détection et la segmentation efficace de tomeur cérébrale cancéreuse. Ainsi plusieurs travaux sont proposés dans la littérature et soulignent la problématique de la réduction du taux d'erreurs de classification, l'augmentation de la précision. Dans ce cadre on se focalise sur les tumeurs cérébrales complexes (e.g. Gliomas) afin d'apporter des méthodes automatiques pour une segmentation efficace sans intervention humaine. Pour cela on envisage d'investir dans les modèles d'apprentissages en profondeur ou « Deep Learning ». Ces modèles d'apprentissages permettent à la machine d'apprendre de l'expérience et de comprendre des objets complexes en termes de hiérarchie de concepts, chaque concept étant défini en fonction de sa relation avec des concepts plus simples. En effet les algorithmes tels que les réseaux de neurones profonds, la machine de Boltzmann profonde et les réseaux de neurones convolutionnels sont tous basés sur des modèles en couches d'un réseau de neurones et peuvent être nombreuses et divisées en partitions pour traiter de manière hiérarchique un sous problème en imposant donc un ordre dans le fonctionnement du processus d'apprentissage. Actuellement, ces modèles sont un domaine de recherche très actif, avec les exploitations des architectures parallèles particulièrement graphique (GPU). Ces modèles achèves un grand succès dans plusieurs domaine telles que reconnaissance des formes, visions par ordinateurs ...etc

  • Titre traduit

    Deep Neural Networks for the segmentation and classification in Medical Imaging.


  • Résumé

    Neuroimaging is a set of imaging techniques at the service of neuroscience which allow the understanding of the central nervous system. Several types of physical processes are used such as: MRI, dMRI, PET, fMRI. These techniques provide to the radiologist powerful tools with the condition of mastering these techniques and the clinical data and pathologies which are under the study. However, with all these technological advances in this field of research, the study of the human brain is still a difficult task and remains a topic of research. The problem statement related to this study lies in the information interpretation of radiological images. This is why quantitative research in Neuroimaging often requires anatomical segmentation of the human brain from MRI images for the detection and segmentation of brain tumors. Thus several research are proposed in the literature and emphasize the problem of reducing the misclassification rate and increasing the accuracy. In this context, our research focuses on complex brain tumors (e.g. Gliomas) to provide automatic methods for efficient segmentation without any intervention from human. We plan to do an investigation in Deep Learning models. These models allow a machine to learn from experience and to understand complex objects in terms of hierarchy of concepts, each concept defined according to its relation with simpler concepts. Indeed, Deep Neural Networks algorithms such as deep Boltzmann machine and Convolutional Neural Networks are all based on neural networks and can be multiple layers and divided into partitions to treat hierarchically a task by providing an order in the functioning of the learning process. Currently, these models are a very active field of research, with the exploitation of GPUs. These models are very successful in many areas such as pattern recognition, computer vision ... etc