French
English
Objectifs
Pour réduire la mortalité et la morbidité des pathologies cérébrales, ainsi qu'améliorer la qualité de vie des patients, il est crucial de poser un diagnostic précis et de prédire les résultats des traitements pour différents scénarios thérapeutiques. Dans ce contexte, nous développons un cadre méthodologique dédié aux applications ciblées décrites ci-dessous.
Modèle pronostique pour l'AVC
L'utilisation de nouveaux traitements (par exemple, la thrombectomie) peut impliquer des risques accrus pour les patients mais avec des résultats plus spectaculaires, notamment dans les cas d'AVC à un stade avancé. Pour prédire l'évolution de l'état du patient pendant le traitement, nous étudions l'encodage efficace des IRM multi-séquences dans un réseau profond et la conception d'une architecture réseau optimale qui prédira l'évolution des lésions d'AVC dans les deux scénarios "non traité" et "traité".
Modèle pronostique pour le coma
Nous travaillons sur des modèles pronostiques qui prédisent les résultats des patients dans le coma, en nous basant sur l'imagerie multimodale IRM et TEP, y compris des examens simultanés acquis sur le scanner hybride TEP/IRM de CERMEP. Les défis méthodologiques consistent à extraire efficacement des informations discriminantes de cette base de données massive et hétérogène, ainsi qu'à permettre des prédictions reproductibles avec des intervalles de confiance.
Modèle diagnostique pour la sclérose en plaques
Nous développons des algorithmes de segmentation dédiés basés sur des solutions d'apprentissage profond pour discriminer les lésions sans injection d'agent de contraste au gadolinium, ou par analyse longitudinale à l'aide d'images IRM multimodales. Nous explorons également des approches d'apprentissage statistique afin de mieux prédire l'évolution du score clinique des patients à partir des images IRM.
Modèle diagnostique pour l'épilepsie
Nous développons des modèles diagnostiques pour les patients épileptiques basés sur l'imagerie multimodale IRM/TEP et des modèles dédiés de détection d'anomalies non supervisée en apprentissage profond.