Évènements

18 jan
18/01/2019 14:00

Sciences & Société

Soutenance de thèse : Zaruhi ALAVERDYAN

Unsupervisedrepresentation learning for anomaly detection on neuroimaging. Application to epilepsy lesion detection on brain MRI

Doctorant : Zaruhi ALAVERDYAN

Laboratoire INSA : CREATIS
Ecole doctorale : EDA 160 E.E.A

Cette étude vise à développer un système d’aide au diagnostic (CAD) pour la détection de lésions épileptogènes, reposant sur l’analyse de données de neuroimagerie, notamment, l’IRM T1 et FLAIR. L’approche adoptée, introduite précédemment par Azami et al., 2016, consiste à placer la tâche de détection dans le cadre de la détection de changement à l'échelle du voxel, basé sur l’apprentissage d’un modèle one-class SVM pour chaque voxel dans le cerveau. L'objectif principal de ce travail est de développer des mécanismes d’apprentissage de représentations, qui capturent les informations les plus discriminantes à partir de l’imagerie multimodale. Les caractéristiques manuelles ne sont pas forcément les plus pertinentes pour la tâche visée. Notre première contribution porte sur l'intégration de différents réseaux profonds non-supervisés, pour extraire des caractéristiques dans le cadre du problème de détection de changement. Eventuellement, nous introduisons une nouvelle configuration des réseaux siamois, mieux adapté à ce contexte. Le système CAD proposé a été évalué sur l’ensemble d’images T1 IRM des patients atteint d'épilepsie. Afin d'améliorer la performance obtenue, nous avons considéré d'étendre le système pour intégrer des données multimodales qui possèdent des informations complémentaires sur la pathologie. Notre deuxième contribution, donc, consiste à proposer des stratégies de combinaison des différentes modalités d’imagerie dans un système pour la détection de changement. Ce système multimodal a montré une amélioration importante sur la tâche de détection de lésions épileptogènes sur les IRM T1 et FLAIR. Notre dernière contribution se focalise sur l'intégration des données TEP dans le système proposé. Etant donné le nombre limité des images TEP, nous envisageons de synthétiser les données manquantes à partir des images IRM disponibles. Nous démontrons que le système entraîné sur les données réelles et synthétiques présente une amélioration importante par rapport au système entraîné sur les images réelles uniquement.

Informations complémentaires

  • Salle René Char, Bâtiment Les Humanités - INSA Lyon - Villeurbanne