Une Assemblée d'IA pour la prédiction des maladies neurologiques

par Huy-dung Nguyen

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 (Talence, Gironde) , en partenariat avec Laboratoire bordelais de recherche en informatique (laboratoire) et de Images et Son (equipe de recherche) depuis le 16-07-2020 .


  • 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 fiables, robustes et rapides pour la détection de pathologies neurologiques devient un domaine important en imagerie médicale. Dans ce projet de thèse, l'objectif est de développer une nouvelle génération de méthodes d'analyse des IRM pouvant détecter automatiquement des maladies neurologiques. Le premier objectif sera de développer de nouvelles méthodes de détection de pathologies en s'attaquant aux limites actuelles de l'apprentissage profond (AP) en imagerie médicale. L'AP est un domaine en plein essor en vision par ordinateur grâce à ses nombreux succès. Cependant, les résultats obtenus par l'AP pour l'aide au diagnostic précoce de maladies neurologiques sont encore assez limités [1]. Dans le cadre de cette thèse, le candidat proposera donc une nouvelle génération de méthodes capable de lever les limites actuelles de l'AP pour l'aide au pronostic. Il s'appuierai notamment sur nos travaux récents sur l'utilisation d'un grand nombre d'IA (plus de 200 réseaux en parallèle) afin de segmenter les IRM du cerveau. Jusqu'à présent, les méthodes d'Intelligence Artificielle (IA) n'arrivaient pas à extraire les nombreuses structures qui composent notre cerveau (plus d'une centaine) à partir d'une IRM. En effet, la complexité du problème mais également le peu de données d'entrainement disponibles mettaient en défaut les méthodes d'AP [2]. Afin de résoudre ce problème, nous avons récemment développé une méthode reposant sur une assemblée d'intelligences artificielles [3]. Inspirée par le fonctionnement d'un système parlementaire, dans notre approche les IA peuvent échanger des informations et participer à la prise de décision par vote. L'utilisation d'un grand nombre d'IA organisées en assemblée permet de simplifier le problème car chaque IA ne traite qu'une sous partie du cerveau mais également d'obtenir une meilleure décision finale car elle est basée sur le consensus de 250 IA travaillant de concert. Si de nombreux travaux existent sur l'amélioration de l'architecture des IA en s'inspirant de la biologie et des neurosciences, nous sommes précurseurs dans l'utilisation d'une grand nombre IA en s'inspirant de la société humaine. Les premiers résultats obtenus montrent une amélioration de plus de 30% de la qualité de segmentation comparée à l'utilisation d'une seule IA. De nombreuses questions restent ouvertes dans cette nouvelle voie de recherche très prometteuse. Quelle est l'organisation optimale de ce grand nombre d'IA ? Comment les faire communiquer efficacement ? Comment améliorer leur apprentissage en utilisant des données non labélisées par apprentissage semi-supervisé ? Le candidat étudiera ces différentes questions et proposera des solutions adaptées au problème traité. Le second objectif portera sur le développement d'outils spécifiques pour deux pathologies : la sclérose en plaques (SEP) et la maladie d'Alzheimer (MA). Ces deux maladies représentent environ 2,5 millions de personnes atteintes pour la SEP et 46,8 millions de personnes atteintes par la MA dans le monde. Juste pour la MA, le coût mondial associé est estimé à 605 milliards de dollars. Le candidat travaillera étroitement avec nos collaborateurs du CHU de Bordeaux, du Neurocentre Magendie et de l'institut des Neurosciences (INCIA). Il aura donc accès à des experts dans ces deux pathologies. En développant des méthodes pour un diagnostic plus précoces et plus précis, ce projet permettra une meilleure prise en charge du patient, un meilleur traitement et donc une réduction des couts associés. Ainsi, notre projet pourrait jouer un rôle majeur dans la transition vers la médecine P4 (prédictive, personnalisée, préventive et participative) : la médecine proactive de la prochaine décennie. Enfin, le candidat intégrera les outils développés au sein de notre plateforme volBrain (http://volbrain.upv.es) [4]. Cette plate-forme propose un service gratuit et en accès libre à l'ensemble de la communauté scientifique. Elle compte plus de 3000 utilisateurs à travers le monde et a déjà traité plus de 190 000 IRM, soit l'une des plus grosses bases de données au monde. Aujourd'hui, elle est devenue l'une des plateformes internationales les plus reconnues dans le domaine. Cet environnement unique donnera une visibilité internationale à ce travail de thèse.

  • Titre traduit

    An Assembly of CNNs for the Prediction of Neurological Diseases


  • 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 amount is constantly increasing, preventing the use of manual approaches to analyse it. Thus, the development of reliable, robust and rapid techniques for the detection of neurological pathologies is becoming an important field in medical imaging. In this thesis project, the objective is to develop a new generation of MRI analysis methods that can automatically detect neurological diseases. The first objective will be to develop new methods of pathology detection by addressing the current limitations of deep learning (DL) in medical imaging. DL is a rapidly growing field in computer vision thanks to its many successes. However, the results obtained by deep learning in computer-aided diagnosis of neurological diseases are still quite limited [1]. In this thesis, the candidate will therefore propose a new generation of methods capable of overcoming the current limitations of DL for computer-aided prognostic. In particular, She/He will build on our recent work based on the use of a large number of DL networks (more than 200 in parallel) to segment MRI scans of the brain. Until now, Artificial Intelligence (AI) methods have not been able to extract the brain structures (more than 100) from an MRI. Indeed, the complexity of the problem but also the lack of available training data prevent DL methods to achieve this task [2]. In order to solve this problem, we have recently developed a method based on an assembly of artificial intelligences (AIs) [3]. Inspired by the functioning of a parliamentary system, in our approach AIs can exchange information and participate in decision-making by voting. The use of a large number of AIs organized in an assembly allows to simplify the problem because each AI only process a sub-part of the brain. Moreover, this strategy enables to obtain a better final decision because it is based on the consensus of 250 AIs working together. If many works exist on the improvement of the architecture of AIs inspired by biology and neurosciences, we are forerunners in the use of a large number of AIs inspired by the human society. The first results obtained show an improvement of more than 30% in the quality of segmentation compared to the use of a single AI. However, many questions remain open in this new and very promising research path. What is the optimal organization of this large number of AIs? How to make them communicate effectively? How to improve their learning by using non-labelled data through semi-supervised learning? The candidate will study these different questions and propose solutions adapted to the problem addressed. The second objective will focus on the development of specific tools for two pathologies: multiple sclerosis (MS) and Alzheimer's disease (AD). These two diseases account for approximately 2.5 million people with MS and 46.8 million people with AD worldwide. For AD alone, the associated global cost is estimated at $605 billion. The candidate will work closely with our collaborators at the Bordeaux University Hospital, the Neurocentre Magendie and the Institute of Neuroscience (INCIA). She/He will therefore have access to experts in these two pathologies. By developing methods for an earlier and more precise diagnosis, this project will allow a better management of the patient, a better treatment and thus a reduction of the associated costs. Thus, our project could play a major role in the transition to P4 (predictive, personalized, preventive and participatory) medicine: the proactive medicine of the next decade. Finally, the candidate will integrate the tools developed within our volBrain platform (http://volbrain.upv.es) [4]. This platform offers a free and open-access service to the entire scientific community. It has more than 3800 users worldwide and has already processed more than 190,000 MRI scans, one of the largest databases in the world. Today, it has become one of the most recognized international platforms in the field. This unique environment will give international visibility to this thesis work.