Apprentissage profond et relations structurelles pour l’analyse d’images : application à l’étude de la lésion cérébrale précoce chez l’enfant après AVC néonatal - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Deep learning and structural relationships for image analysis : application to the study of early brain lesion in children following neonatal stroke

Apprentissage profond et relations structurelles pour l’analyse d’images : application à l’étude de la lésion cérébrale précoce chez l’enfant après AVC néonatal

Résumé

Deep learning, especially in image analysis, has grown considerably in the last decades without exploiting all the information provided by images. In this context, we are interested in the contribution of "high-level" structural relationships corresponding to observable relations between the objects present in the image (e.g. spatial or photometric relationships). We seek to integrate this information, using graph neural networks (GNNs), to improve the performance of deep learning in image analysis. We present a contribution to semantic segmentation as well as an application in neuro imaging in which structural relationships seem central : the study of early brain lesion. This lesion, occurring on a developing brain, can cause permanent motor disorders (cerebral palsy) and requires human studies (e.g. children after neonatal stroke) as well as animal models to better understand its impact. Thus, we prese nt several contributions on children and animals where structural information helps for semantic segmentation on MRI, as a complement to deep learning, but also where it allows to establish a link between the possible loss of motor skills caused by the lesion and the altered macro structural organization of a specific brain region related to motor functions : the basal ganglia.
L’apprentissage profond, notamment en analyse d’images, a connu un essor considérable ces dernières décennies sans pour autant exploiter la totalité de l’information mise à disposition par les images. Dans ce contexte, nous nous sommes intéressés à l’apport des connaissances structurelles de « haut-niveau » correspondant à des relations observables entre les objets présents dans l’image (ex. relations spatiales ou photométriques). Nous cherchons à intégrer ces informations, en s’appuyant sur des réseaux de neurones sur graphes (GNNs), pour améliorer les performances de l’apprentissage profond en analyse d’images. Nous présentons une contribution à la segmentation sémantique ainsi qu’une application en neuroimagerie dans laquelle les relations structurelles apparaissent centrales : l’étude de la lésion cérébrale précoce. Cette lésion, intervenue sur un cerveau en cours de développement, peut provoquer des troubles moteurs permanents (paralysie cérébrale) et requiert des études sur l’humain (ex. enfants après AVC néonatal) ainsi que des modèles animaux pour mieux comprendre son impact. Dans ce cadre, nous présentons plusieurs contributions sur l’enfant et l’animal où les informations structurelles aident à la segmentation sémantique en IRM, en complément de l’apprentissage profond, mais également où elles permettent d’établir un lien entre la possible perte de motricité provoquée par la lésion et l’organisation macrostructurelle altérée d’une région spécifique du cerveau liée aux fonctions motrices : les noyaux gris centraux.
Fichier principal
Vignette du fichier
COUPEAU.pdf (12.81 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04232019 , version 1 (07-10-2023)

Identifiants

  • HAL Id : tel-04232019 , version 1

Citer

Patty Coupeau. Apprentissage profond et relations structurelles pour l’analyse d’images : application à l’étude de la lésion cérébrale précoce chez l’enfant après AVC néonatal. Médecine humaine et pathologie. Université d'Angers, 2023. Français. ⟨NNT : 2023ANGE0008⟩. ⟨tel-04232019⟩
120 Consultations
25 Téléchargements

Partager

Gmail Facebook X LinkedIn More