Description
Date depot: 1 octobre 2020
Titre: Explicabilité et interprétabilité dans l'apprentissage de modèles profonds en imagerie médicale : applications translationnelles aux maladies cardiométaboliques
Directeur de thèse:
Jean-Daniel ZUCKER (UMMISCO)
Directeur de thèse:
Edi PRIFTI (UMMISCO)
Encadrant :
Alassane BAH (Université Cheikh Anta Diop de Dakar)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Sciences de l’information et sciences du vivant
Resumé:
votre projetL’intelligence artificielle a contribué aux récents progrès dans le traitement des données d’imagerie médicale. Sa puissance se base sur le fait que les modèles sont capables d’apprendre des abstractions hiérarchiques complexes sans interventions expertes. Cependant, en dépit de ce succès, des difficultés subsistent notamment quant à l’explicabilité, l’intérprétabilité et la robustesse des modèles d’apprentissage profond, mais également à leur élaboration dans le cas des données d’IRM fonctionnelles (images 4D). L’objectif de ce travail de thèse est de développer des méthodes permettant de mieux apprendre les abstractions médicales complexes telles que la segmentation des organes ainsi que l’évolution de leur dynamique. Nous utiliserons des approches à base de réseaux de neurones adverses génératifs (GAN). Allié à cela, de nouvelles approches d’annotation automatique des données seront élaborées et employées sur ces réseaux afin de mieux comprendre leur processus de décision. Enfin, nous proposerons des méthodes indiquant des explications intelligibles du processus de classification. Nous utiliserons des données d’IRM 4D de patients cardiométaboliques. Les modèles seront proposés aux cliniciens pour évaluation.
Doctorant.e: Fall Ahmad