Apprentissage profond pour le BigData en neuroimagerie

par Reda abdellah Kamraoui

Projet de thèse en Informatique

Sous la direction de Pierrick Coupe.

Thèses en préparation à Bordeaux , dans le cadre de École doctorale de mathématiques et informatique , en partenariat avec LaBRI - Laboratoire Bordelais de Recherche en Informatique (laboratoire) et de Images et Son (equipe de recherche) depuis le 18-07-2019 .


  • Résumé

    L'imagerie par résonance magnétique (IRM) joue un rôle crucial dans la détection de pathologies, l'étude de l'organisation cérébrale et la recherche clinique. Chaque jour, une grande quantité de données est produite et ce nombre ne cesse d'augmenter, empêchant l'utilisation d'approches manuelles afin de les analyser. Ainsi, le développement de techniques de segmentation fiables, robustes et rapides devient un domaine important pour l'analyse quantitative des IRM. Dans ce projet de thèse, l'objectif est de développer une nouvelle génération de méthodes d'analyse quantitative des IRM pouvant faire face à la montée du BigData en neuroimagerie. Les méthodes proposées seront mises à disposition à l'ensemble de la communauté via notre plateforme volBrain (http://volbrain.upv.es) [1]. Ce projet se déroule dans le cadre d'un projet soutenu par l'agence nationale de la recherche. Objectifs : Le premier objectif sera de développer de nouvelles méthodes de segmentation d'IRM en s'attaquant aux limites actuelles de l'apprentissage profond (AP). L'AP est un domaine en plein essor en vision par ordinateur. Cependant, les résultats obtenus par l'AP en segmentation des IRM sont encore assez limités. Dans le cadre de cette thèse, le candidat proposera donc une nouvelle génération de méthodes de segmentation capable de lever les limites actuelles de l'AP en imagerie médicale. Le second objectif portera sur le développement de méthodes innovantes afin d'assurer la véracité des résultats produits. Un contrôle qualité automatique reposant sur l'intelligence artificielle sera donc intégré dans la chaine de traitement proposée. Avec l'arrivée du BigData en neuroimagerie, cette étape est devenue un enjeu crucial dans le domaine. Enfin, le candidat intégrera les outils développés au sein de notre plateforme volBrain. Cette plate-forme propose un service gratuit et en accès libre à l'ensemble de la communauté scientifique. Elle compte 3000 utilisateurs à travers le monde et a déjà traité 140 000 IRM. Cet environnement unique donnera une visibilité internationale à ce travail de thèse. Environnement Le candidat évoluera au sein d'un consortium regroupant des experts internationaux en imagerie médicale [2], intelligence artificielle [3], traitement de l'image [4], analyse BigData [5], ou encore neuroscience [6]. Le candidat bénéficiera de l'environnement matériel du Laboratoire Bordelais de Recherche en Informatique (serveurs GPU, plate-forme de calcul, etc…). Il sera également en collaboration permanente avec les cliniciens et les neuroscientifiques impliqués dans le projet. De plus, ce projet s'intègre dans une collaboration de longue date avec l'Université Polytechnique de Valence (Espagne) autour de la plate-forme volBrain. Le candidat aura donc l'opportunité d'effectuer des missions en Espagne lors de l'intégration de ses méthodes dans la plate-forme web. Le début de la thèse est prévu en septembre 2019 pour une durée de 3 ans.

  • Titre traduit

    Deep learning for Bigdata in neuroimaging


  • Résumé

    Magnetic resonance imaging (MRI) plays a crucial role in the detection of pathologies, the study of brain organization and clinical research. Every day, a large amount of data is produced and this number continues to increase, preventing the use of manual approaches to analyze them. Thus, the development of reliable, robust and fast segmentation techniques becomes an important area for the quantitative analysis of MRI. In this thesis project, the objective is to develop a new generation of quantitative MRI analysis methods that can cope with the rise of BigData in neuroimaging. The proposed methods will be made available to the entire community via our volBrain platform (http://volbrain.upv.es) [1]. This project is part of a project supported by the National Research Agency.