Apprentissage de représentations pour la classification d'images biomédicales

La disponibilité croissante d'images médicales ouvre la porte à de nombreuses applications cliniques qui ont une incidence sur la prise en charge du patient. De nouveaux traits caractéristiques cliniquement pertinents peuvent alors être découverts pour expliquer, décrire et représenter une maladie. Les algorithmes traditionnels qui se basent sur des règles d'association manuellement construits font souvent défaut dans le domaine biomédical à cause de leur incapacité à capturer la forte variabilité au sein des données. L'apprentissage de représentations apprend plusieurs niveaux de représentations pour mieux capturer les facteurs de variation des données. L'hypothèse du projet de recherche du mémoire est que la classification par apprentissage de représentations apportera une information supplémentaire au médecin afin de l'aider dans son processus de décision. L'objectif principal, qui en découle, vise à étudier la faisabilité de l'apprentissage de représentations pour le milieu médical en vue de découvrir des structures cliniquement pertinentes au sein des données.Dans un premier temps, un algorithme d'apprentissage non-supervisé extrait des traits caractéristiques discriminants des déformations de la colonne vertébrale de patients atteints de la scoliose idiopathique de l'adolescent qui nécessitent une intervention chirurgicale. Le sous-objectif consiste à proposer une alternative aux systèmes de classification existants qui décrivent les déformations seulement selon deux plans alors que la scoliose déforme le rachis dans les trois dimensions de l'espace. Une large base de données a été rassemblée, composée de 915 reconstructions de la colonne vertébrale issues de 663 patients. Des auto-encodeurs empilés apprennent une représentation latente de ces reconstructions. Cette représentation de plus faible dimension démêle les facteurs de variation. Des sous-groupes sont par la suite formés par un algorithme de k-moyennes++. Onze sous-groupes statistiquement significatifs sont alors proposés pour expliquer la répartition de la déformation de la colonne vertébrale. Dans un second temps, un algorithme d'apprentissage supervisé extrait des traits caractéristiques discriminants au sein d'images médicales. Le sous-objectif consiste à classifier chaque voxel de l'image afin de produire une segmentation des reins. Une large base de données a été rassemblée, composée de 79 images tomographiques avec agent de contraste issues de 63 patients avec de nombreuses complications rénales. Un réseau à convolution est entrainé sur des patches de ces images pour apprendre des représentations discriminantes. Par la suite, des modifications sont appliquées à l'architecture, sans modifier les paramètres appris, pour produire les segmentations des reins. Les résultats obtenus permettent d'atteindre des scores élevés selon les métriques utilisées pour évaluer les segmentations en un court délai de calcul. Des coefficients de Dice de 94,35% pour le rein gauche et 93,07% pour le rein droit ont été atteints.Les résultats du mémoire offrent de nouvelles perspectives pour les pathologies abordées. L'application de l'apprentissage de représentations dans le domaine biomédical montre de nombreuses opportunités pour d'autres tâches à condition de rassembler une base de données d'une taille suffisante.