Description
Date depot: 20 juin 2024
Titre: Intelligence Artificielle robuste et fiable
Directrice de thèse:
Maria Alejandra ZULUAGA (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: L’imagerie médicale est essentielle au diagnostic non invasif et à la surveillance des maladies dans les soins de santé modernes. Les méthodes d’IA, en particulier celles utilisant l’apprentissage profond, ont démontré un potentiel considérable dans l’automatisation des tâches d’analyse d’images telles que la segmentation, la détection et la classification des résultats pathologiques. Cependant, ces systèmes d’IA rencontrent fréquemment des problèmes de robustesse, leurs performances se dégradant considérablement en raison des variations des protocoles d’imagerie, des données démographiques des patients et du matériel lorsqu’ils sont appliqués en dehors de leurs conditions de formation. Ce projet de doctorat vise à renforcer la robustesse des méthodes d'IA pour les applications d'imagerie médicale, en répondant au besoin critique d'algorithmes d'IA fiables et généralisables qui fonctionnent de manière cohérente dans divers contextes cliniques et populations de patients. Bien que principalement axé sur les images médicales, le projet vise à fournir des méthodologies générales applicables à un large éventail de domaines.
Résumé dans une autre langue: Medical imaging is essential for non-invasive diagnosis and disease monitoring in modern healthcare. AI methods, especially those utilizing deep learning, have demonstrated substantial potential in automating image analysis tasks such as segmentation, detection, and classification of pathological findings. However, these AI systems frequently encounter robustness issues, with performance degrading significantly due to variations in imaging protocols, patient demographics, and hardware when applied outside their training conditions. This PhD project aims to achieve robustness in AI methods for medical imaging applications, addressing the critical need for reliable and generalizable AI algorithms that perform consistently across diverse clinical settings and patient populations. While primarily focused on medical images, the project aims to deliver general methodologies applicable to a wide range of fields.
Doctorant.e: Vargas Daza Luisa