Thèse d'exercice
Leclerc Charles
Segmentation automatisée des lésions de sclérose en plaques par intelligence artificielle en imagerie magnétique à 7 Tesla
FrançaisConsulter le texte intégral (format PDF)
Index
Résumé
Français
Segmentation automatisée des lésions de sclérose en plaques par intelligence artificielle en imagerie magnétique à 7 Tesla
L’imagerie par résonance magnétique contribue au diagnostic et au suivi de la sclérose en plaques avec plus de précision à 7 Tesla. Le radiologue peut évaluer les lésions visuellement ou manuellement, ce qui s’avère subjectif et fastidieux. Des méthodes de segmentation automatique sont disponibles mais peu applicables à 7 Tesla. Nous proposons l’utilisation de deux réseaux de neurones convolutifs de type U-Net et MPU-Net++ afin de comparer les segmentations automatiques et manuelles. Notre échantillon comporte 46 patients, 34 attribués à la population d’entrainement et 12 à la population de validation. Le Dice score a été utilisé pour évaluer la similarité des segmentations avec une moyenne de 0,4533 pour le U-Net et de 0,4525 pour MPU-Net++. Le U-Net montre un apprentissage plus rapide et stable avec moins d’erreurs mais après évaluation, le MPU-Net++ semble rester meilleur pour une IA de pré-segmentation. Ces résultats sont une première étape vers l'aide aux praticiens qui gardent le monopole du diagnostic.
Mots-clés libres : Sclérose en plaques, IRM à ultra haut champ, Segmentation, Réseau de neurones convolutifs.
- Sclérose en plaques -- Diagnostic
- Imagerie par résonance magnétique
- Intelligence artificielle en médecine
English
Magnetic resonance imaging helps diagnose and monitor multiple sclerosis with greater precision at 7 Tesla. The radiologist can assess the lesions visually or manually, which is subjective and tedious. Automatic segmentation methods are available but not very applicable to 7 Tesla. We propose the use of two convolutional neural networks such as U-Net and MPU-Net++ in order to compare automatic and manual segmentations. Our sample includes 46 patients, 34 assigned to the training population and 12 to the validation population. The Dice score was used to evaluate the similarity of the segmentations with an average of 0.4533 for the U-Net and 0.4525 for MPU-Net++. The U-Net shows faster and more stable learning with fewer errors but after evaluation, the MPU-Net++ seems to remain better for pre-segmentation AI. These results are a first step towards helping practitioners who maintain the monopoly on diagnosis.
Keywords : Multiple sclerosis, Ultra–high-field MRI, Segmentation, Convolutional Neural Network.
Notice
- Diplôme :
- Diplôme d'état de médecine
- Établissement de soutenance :
- Université de Poitiers
- UFR, institut ou école :
- UFR Médecine et Pharmacie
- Domaine de recherche :
- Médecine. Radiologie
- Directeur(s) du travail :
- Rémy Guillevin
- Date de soutenance :
- 23 octobre 2023
- Président du jury :
- Rémy Guillevin
- Membres du jury :
- Rémy Guillevin, Mathieu Naudin, Imane M'Rabet, Philippe Beyssen, Nikolaos Efthymiadis
Menu :
-
-
à propos d'UPétille
-
Voir aussi
Annexe :
-
Une question ?
Avec le service Ubib.fr, posez votre question par chat à un bibliothécaire dans la fenêtre ci-dessous ou par messagerie électronique 7j/7 - 24h/24h, une réponse vous sera adressée sous 48h.
Accédez au formulaire...
Université de Poitiers - 15, rue de l'Hôtel Dieu - 86034 POITIERS Cedex - France - Tél : (33) (0)5 49 45 30 00 - Fax : (33) (0)5 49 45 30 50
petille@support.univ-poitiers.fr -
Crédits et mentions légales