Modeling, Learning, and Transferring Anatomical Representations in Medical Imaging using AI
Modélisation, Apprentissage et Transfert des Représentations Anatomiques en Imagerie Médicale à l'aide de l'IA.
Résumé
Recent advances in computer vision and statistical learning, particularly deep learning, have spurred research in (anatomical) medical imaging in recent years. However, it has been reported that state-of-the-art (SOTA) algorithms from computer vision do not necessarily perform equally well when applied to natural versus medical imaging tasks. Moreover, a simple supervised pre-training using ImageNet—widely employed for natural images—does not always yield optimal results for medical imaging tasks. Given these challenges, my research has focused on developing AI methods tailored to the specific needs and constraints of medical imaging data (e.g., limited data, data biases, lack of labeled data), leveraging clinical knowledge and (healthy) unlabeled data. From a methodological standpoint, my research has followed three main directions: 1) modeling medical knowledge and anatomy, and integrating this into machine learning models; 2) learning compact, relevant, and explanatory representations of anatomical imaging data; and 3) transferring anatomical representations across domains (i.e., different modalities, datasets, and populations) to improve downstream performance or discover new biomarkers. In terms of clinical applications, I have worked exclusively with anatomical data, including MRI and CT scans, focusing on the brain, chest, abdomen, and pelvic regions. In this manuscript, I present some of my work using brain MRI data, based on the three clinical applications I have worked on most extensively. I conclude by discussing future research directions, potential novel clinical applications, and the research valorization of my previous work.
Les récentes avancées en vision par ordinateur et en apprentissage statistique, notamment en apprentissage profond, ont stimulé la recherche en imagerie médicale (anatomique) ces dernières années. Cependant, il a été rapporté que les algorithmes de pointe (State-Of-The-Art, SOTA) issus de la vision par ordinateur ne présentent pas nécessairement les mêmes performances lorsqu'ils sont appliqués aux tâches d’imagerie naturelle ou médicale. De plus, un simple pré-entraînement supervisé utilisant ImageNet—largement employé pour les images naturelles—ne donne pas toujours de bons résultats pour les tâches d’imagerie médicale. Face à ces défis, mes recherches se sont concentrées sur le développement de méthodes d'IA adaptées aux besoins spécifiques et aux contraintes des données en imagerie médicale (par exemple, régime de données limitées, biais des données, manque de données étiquetées), en tirant parti des connaissances cliniques et des données non étiquetées (saines). D’un point de vue méthodologique, mes travaux de recherche se sont orientés autour de trois axes principaux : 1) modéliser les connaissances médicales et l’anatomie, et les intégrer dans des modèles d’apprentissage automatique ; 2) apprendre des représentations compactes, pertinentes et explicatives des données d’imagerie anatomique ; et 3) transférer des représentations anatomiques entre différents domaines (c’est-à-dire, différentes modalités, ensembles de données, populations) pour améliorer les performances en aval ou découvrir de nouveaux biomarqueurs. Concernant les applications cliniques, j’ai exclusivement travaillé avec des données anatomiques, y compris des IRM et des scanners, portant sur le cerveau, la poitrine, l’abdomen et la région pelvienne. Dans ce manuscrit, je présente une partie de mes travaux utilisant des données d'IRM cérébrale, en me basant sur les trois applications cliniques sur lesquelles j'ai travaillé le plus. Je termine en discutant des perspectives de recherche futures, des nouvelles applications cliniques potentielles, et de la valorisation des travaux de recherche précédents.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| licence |
Copyright (Tous droits réservés)
|