Ontologie de l'imagerie biomédicale, confidentialité des données et Deep Learning pour une éducation médicale améliorée par la technologie

par Utpal Kant (Utpal)

Projet de thèse en STIC Informatique

Sous la direction de Christophe Roche.

Thèses en préparation à Grenoble Alpes , dans le cadre de SISEO - Sciences et Ingénierie des Systèmes de l'Environnement et des Organisations , en partenariat avec Laboratoire d'Informatique, Systèmes, Traitements de l'Information et de la Connaissance (laboratoire) depuis le 10-12-2018 .


  • Résumé

    Ce projet impliquera des recherches dans le domaine de l'ontologie biomédicale, de la confidentialité des données et de l'apprentissage en profondeur appliqué à l'apprentissage médical piloté par les données. Les données et les analyses informatisées sur les patients modifient les soins prodigués aux patients et les moyens de mener des recherches et de l'éducation biomédicales. Les hôpitaux utilisent d'importants ensembles de données de diagnostic pour mieux comprendre la valeur et la qualité des soins, comme ils ne l'avaient jamais fait auparavant. Il y a aussi une explosion de nouvelles connaissances scientifiques, de nouveaux médicaments et de nouvelles technologies qui responsabilisent les patients comme les applications mobiles et les dispositifs de santé associés. Les données combinées de toutes ces sources ont le potentiel de révolutionner les soins du patient, d'éduquer les étudiants en soins de santé et de rendre la méthode de recherche révolutionnaire. Une ontologie médicale peut être utilisée pour soutenir une éducation médicale améliorée par la technologie, ainsi que pour l'aide à la décision clinique assistée par ordinateur. Une ontologie médicale multi-niveaux et / ou sémantiquement groupée peut être incorporée dans un algorithme d'apprentissage automatique afin de développer des outils d'apprentissage en ligne. Les images médicales, en particulier, contiennent une grande quantité d'informations, bien que ces informations puissent inclure des métadonnées sur l'image, telles que le mode ou l'acquisition de l'image, la plupart des informations de l'image étant codées dans le pixel de l'image; Cependant, les informations sur la manière dont les images sont reconnues par un humain ou une machine ne sont pas actuellement capturées sous une forme directement connectée aux images. Ainsi, de nombreuses informations relatives au contenu des images sont déconnectées des images, ce qui limite la valeur de l'imagerie médicale à être associée à d'autres données autres que des images. Nous avons besoin d'outils qui permettent de créer et de stocker des annotations d'image humaine et d'image machine dans un format standard qui est interopérable syntaxiquement et sémantiquement avec d'autres ressources biomédicales, tout en prenant en charge des normes telles que DICOM, HL7. Ce projet se concentrera sur le développement de méthodes de description du contenu sémantique dans les images à l'aide d'ontologies, la représentation explicite des entités et des relations en biomédecine, la création d'outils pour la rédaction de détails de contenu d'image basés sur des ontologies et leur association avec des images. Ce travail peut changer le paradigme de l'imagerie médicale au lieu de systèmes cliniques ne stockant que des pixels, ils peuvent également stocker des données d'image et leur signification, permettant ainsi un large éventail de fonctionnalités analytiques informatiques, notamment l'apprentissage médical amélioré par la technologie, la recherche sémantique, l'intégration de - données d'image, modélisation statistique de la maladie et applications d'aide à la décision intelligentes pour des soins personnalisés basés sur l'image. La nécessité d'annoter les données d'images numériques est reconnue dans divers systèmes d'information médicale, y compris les utilisations professionnelles et éducatives de l'imagerie médicale. Le projet propose d'utiliser une représentation des connaissances et une annotation sémantique basées sur des ontologies pour les données d'images médicales. Le système proposé définit des structures de représentation des données qui ont une signification bien définie. Les significations sont un contenu accessible à la machine qui peut être interprété par les agents logiciels pour rechercher et extraire des informations sur la base d'une terminologie standard et de relations significatives entre les éléments de données. Ces ontologies peuvent nous fournir d'excellentes ressources pour comprendre les données relatives aux soins de santé et pour améliorer et valider tous les modèles développés à l'aide de la technologie d'analyse de données. Avec l'utilisation croissante des données d'imagerie numérique dans les hôpitaux, la taille croissante des référentiels d'images médicales, la confidentialité et la sécurité des données sont des préoccupations majeures. Cela rend difficile la gestion et l'interrogation de ces grandes bases de données menant au système de récupération d'images médicales. Le fossé sémantique, qui existe entre les informations visuelles de bas niveau capturées par des dispositifs d'imagerie et les informations sémantiques de haut niveau perçues par l'homme, constitue un défi majeur pour le système de récupération d'images médicales. L'efficacité de tels systèmes est plus importante dans le contexte de la représentation des caractéristiques, qui permet de caractériser complètement les informations de haut niveau. Ce projet propose un cadre d'apprentissage en profondeur pour le système de récupération d'images médicales, permettant de classer les images médicales.

  • Titre traduit

    Biomedical Imaging Ontology, Data Privacy and Deep Learning for technology enhanced medical education


  • Résumé

    This project will involve research in the domain of Biomedical Imaging Ontology, Data Privacy and Deep Learning applied to data driven Medical Learning. Computerized patient data and analytics are changing the patient's care and the ways of conducting biomedical research and education. Hospitals are using large diagnostic datasets to better understand the value and quality of care, just as they never could before. There is also an explosion of new scientific knowledge, new medicines and technologies which empowers patients like mobile applications and associated health devices. The combined data of all these sources have the potential to revolutionize the patient's care, educate the healthcare students, and make the method of research revolutionary. A medical ontology can be used to support technology-enhanced medical education as well as computer-assisted clinical decision support. Multi-level and/or semantically grouped medical ontology can be incorporated into a machine learning algorithm to develop e-Learning tools. Especially medical images, contain large amount of information, although this information may include metadata about the image, like how or when the image was acquired, most of the information in the image is encoded in the image pixel; however, information about how images are recognised by human or machine is not currently captured in a form that is directly connected to the images. A plenty of information related to image content is thus disconnected from images, limiting the value of medical imaging to be related to other non-imaging data. We need tools that allow both human and machine image annotations to be created and stored in standard format which is syntactically and semantically interoperable with other biomedical resources, while supporting standards like DICOM, HL7. This project will focus on developing ways of describing semantic content in images using ontologies, explicit representation of the entities and relationships in biomedicine, creating tools for writing ontology-based details of image content and associate them with images. This work can change the paradigm of medical imaging instead of clinical systems storing just pixels, they can store image data plus the image meaning, enabling a broad range of computational analytic functionality, including Technology enhanced medical learning, semantic search, integration of image and non-image data, statistical modelling of disease, and intelligent decision support applications for image-based personalized care. The need to annotate digital image data is recognized in various medical information systems, including both professional and educational uses of medical imaging. The project proposes to employ an ontology-based knowledge representation and semantic annotation for medical image data. The proposed system defines data representation structures that are given well-defined meaning. The meanings are machine-accessible content that can be interpreted by software agents to find and retrieve information based on standard terminology and meaningful relationships between data items. These ontologies can give us great resources to understand the health care data and to enhance and validate all of the models developed using data analytics technology. With the increasing use of digital imaging data in hospitals, the increasing size of medical image repositories, data privacy and security are major concern. This makes it difficult to manage and query these large databases leading to medical image retrieval system. A major challenge in the medical image retrieval system is the semantic gap, which is present between low-level visual information captured by imaging devices and high-level semantic information perceived by humans. The efficacy of such systems is more important in the context of feature representation which can completely characterize high-level information. This project, propose a framework of deep learning for medical image retrieval system, to classify medical images.