Apprentissage automatique dans le contexte de la tractographie
Le résumé fourni par la source
Cette thèse présente un projet de tractographie du cerveau grâce à l'intelligence artificielle. Bien que certains ouvrages existent déjà sur le sujet, l'utilisation d'intelligence artificielle - ou plus précisément, d'apprentissage automatique - pour la tâche de la tractographie n'en est qu'à ses débuts. Dans cette thèse, nous expliquons ce qu'est la tractographie et quelles sont ses limites, et comment l'apprentissage automatique peut aider. Nous présentons ce qui a déjà été tenté et nous suggérons des améliorations dans plusieurs aspects. Nous présentons les résultats obtenus par un modèle entraîné sur une grande banque de donnée. Les résultats sont difficiles à quantifier dans ce domaine, mais nous obtenons des résultats satisfaisants, tant selon l'analyse d'experts à l'oeil entraîné que selon des critères quantitatifs. Cette thèse inclut trois articles scientifiques. Le premier présente les efforts portés par notre laboratoire depuis une dizaine d'années pour améliorer la tractographie et toutes les étapes d'analyse qu'elle implique. Sans intelligence artificielle, la tractographie requiert des programmes d'analyse avancés, offerts seulement dans quelques librairies scientifiques spécialisées. Dans cet article, nous présentons le code de la librairie python scilpy, offerte librement sur GitHub. Le second article présente les efforts portés à améliorer le système de quantification des résultats de tractographie sur un jeu de données précis (issu du défi ISMRM 2015). Ce jeu de données étant le seul exemple de données simulées d'imagerie de diffusion d'un cerveau humain qui inclue à la fois un tractogramme et le volume IRM associé, il est d'importance capitale dans l'élaboration de modèles d'apprentissage automatique, et il doit impérativement donner des résultats exemplaires. Nous présentons les nouvelles données et le nouveau code permettant de comparer un tractogramme à ce tractogramme de référence. Le troisième et dernier article présente le résultat final d'apprentissage automatique en utilisant les Transformeurs et les réseaux récurrents sur une grande banque de donnée, avec une attention particulière à la gestion des hyperparamètres.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.