French
English
Apprentissage de représentations
Nous explorons le potentiel des méthodes d'apprentissage automatique pour une représentation efficace et pertinente des données médicales, en particulier des images médicales. Les défis concernent la construction et l'exploitation d'espaces de représentation de données pertinents, avec des propriétés statistiques, afin de relier les échantillons de données dans cet espace de représentation et/ou de reconstruire les échantillons dans l'espace de données d'origine
Segmentation, localisation, et détection
Nous abordons les défis suivants : i) l'intégration des connaissances du domaine médical dans l'apprentissage, telles que des contraintes de forme strictes pour garantir la cohérence anatomique des résultats, la localisation et la segmentation conjointes pour améliorer la précision, et le déséquilibre des classes pathologiques via des techniques d'augmentation de données à l'aide de réseaux génératifs ; ii) la détection et la segmentation de grands ensembles de données hétérogènes d'images 3D via des méthodes d'apprentissage profond faiblement supervisées ou non supervisées, par adaptation de domaine ou apprentissage par transfert ; iii) l'amélioration des méthodes d'atlas statistiques multi-modalités via des techniques d'extraction de caractéristiques de pointe, améliorant leur précision (transfert des données vers l'atlas ou adaptation inter-modalité) et leur fiabilité (estimation de l'incertitude).
Estimation de mouvement, recalage et déformation
Trois défis sont identifiés : la nécessité de disposer de très grands ensembles de données d'entraînement, l'absence de transformation de référence pour l'apprentissage supervisé et les difficultés de recalage des images pathologiques. Nous abordons ces défis par : i) des modèles de transformation adaptés tenant compte de la nature intrinsèque des modalités d'intérêt. En particulier, nous développons un estimateur de mouvement basé sur l'apprentissage profond, entraîné avec des données synthétiques réalistes générées à partir d'un simulateur physique pour intégrer les propriétés intrinsèques de la modalité étudiée ; ii) des méthodes de génération de données pathologiques qui intègrent des connaissances préalables fonctionnelles et physiologiques sur les pathologies considérées. Ces approches seront utilisées pour construire des ensembles de données dédiés, composés de cas sains et pathologiques, avec les références correspondantes pour entraîner des réseaux de recalage robustes aux pathologies
Reconstruction
Nous travaillons sur quatre modalités d'imagerie majeures : i) l'échographie pour obtenir une imagerie à haute fréquence d'images (près de 1500 images/s) avec une bonne qualité d'image basée sur une approche d'apprentissage profond ; ii) la tomodensitométrie à comptage de photons spectral pour étudier la reconstruction et la décomposition conjointe en utilisant des techniques d'apprentissage profond afin d'améliorer la précision de la décomposition spectrale avec un bruit réduit ; iii) les images par résonance magnétique par tenseur de diffusion (DT-MRI) pour améliorer la reconstruction de structures minuscules telles que les voies de la matière blanche du cerveau en travaillant sur l'optimisation des paramètres d'acquisition ; iv) l'IRM pour des mesures sanguines 3D dans de grands volumes afin d'améliorer la résolution spatiale et la quantification en optimisant les stratégies de sous-échantillonnage en termes d'efficacité à l'aide de l'apprentissage automatique et en étudiant des techniques de reconstruction dédiées basées sur des algorithmes de compression 6D qui tireront parti de la parcimonie des données simultanément dans les dimensions spatiales, cardiaques, respiratoires et dans le domaine de la vitesse.