Deep Learning in Neuroimaging for Multiple Sclerosis - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Deep Learning in Neuroimaging for Multiple Sclerosis

Apprentissage Profond en Neuroimagerie pour la Sclérose en Plaques

Résumé

Magnetic Resonance Imaging (MRI) is routinely used for the diagnosis and prognosis of Multiple Sclerosis (MS). Analyzing and extracting information from MRI could be performed manually by radiologists or experts in the field, nonetheless, these tasks are tedious, time-consuming, require domain expertise, and are prone to inter-rater variability. Thus, automatizing MRI analysis tasks would enable to overcome these limitations and process a large amount of data available in our BigData era. In this thesis, we proposed end-to-end pipelines using deep learning to analyze MRI and extract MS-relevant information. The proposed suite of tools includes MS lesion segmentation, new lesion detection, and the estimation of disability status from MRI and clinico-demographic data. During the design of each pipeline, we proposed methodological contributions that solved the different challenges, such as domain bias, data rarity, and data imbalance. Our pipelines are hosted on volBrain online platform, to make them freely and easily available to the MS community without the need of software or hardware requirements. Doing so, our users benefit from state-of-the-art performance in a few clicks on their web browser and obtain compact easy-to-read reports.
L’imagerie par résonance magnétique (IRM) est couramment utilisée pour le diagnostic et le pronostic de la sclérose en plaques (SEP). L’analyse et l’extraction des informations de l’IRM pourraient être effectuées manuellement par des radiologues ou des experts, néanmoins, ces tâches sont fastidieuses, chronophages, nécessitent une expertise du domaine et sont sujettes à la variabilité inter-évaluateurs. Ainsi, l’automatisation des tâches d’analyse des IRM a été envisagée pour faire face à ces limitations et traiter la grande quantité de données que nous rencontrons à l’ère des données massives. Dans cette thèse, nous proposons des chaînes de traitement utilisant l’apprentissage profond pour analyser les IRM afin d’en extraire des informations pertinentes pour la SEP. La suite d’outils comprend la segmentation des lésions de SEP, la segmentation/détection de nouvelles lésions et l’estimation du statut d’invalidité à partir de données IRM et clinico-démographiques. Lors de la conception de chaque chaîne de traitement, nous avons proposé des contributions méthodologiques qui ont résolu différents défis, tels que le biais de domaine, la rareté des données et le déséquilibre des données. Nos chaînes de traitement sont hébergées sur la plate-forme volBrain pour les rendre librement et facilement utilisables par la communauté sans avoir besoin de logiciels ou de matériels. Ce faisant, nos utilisateurs bénéficient de performances de pointe en quelques clics sur leur navigateur Web et obtiennent ainsi un rapport compact et facile à lire résumant les résultats.
Fichier principal
Vignette du fichier
Manuscript_of_Thesis-1.pdf (22.99 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04055255 , version 1 (01-04-2023)
tel-04055255 , version 2 (20-04-2023)

Identifiants

  • HAL Id : tel-04055255 , version 1

Citer

Reda Abdellah Kamraoui. Deep Learning in Neuroimaging for Multiple Sclerosis. Medical Imaging. Université de Bordeaux, 2023. English. ⟨NNT : ⟩. ⟨tel-04055255v1⟩
239 Consultations
17 Téléchargements

Partager

Gmail Facebook X LinkedIn More