Date | - |
Heure | 14h00 - 17h00 |
Adresse | Salle des thèses - bâtiment EGS - UFR Sciences et Techniques |
Contact | |
Lien | https://www.univ-orleans.fr/fr/univ/recherche/agenda-actualites |
L'arthrose du genou est une condition répandue et invalidante, touchant des millions de personnes dans le monde. Bien qu'il n'existe actuellement aucun remède, un diagnostic précis et rapide est essentiel pour une gestion efficace et une amélioration des résultats pour les patients. L'Imagerie par Résonance Magnétique (IRM) offre des informations précieuses sur les structures des tissus mous, facilitant l'évaluation de l'arthrose. Cependant, les approches de diagnostique actuelles utilisant l'IRM reposent souvent sur l'analyse d'une seule vue, risquant de négliger des informations cruciales présentes dans d'autres vues. Cette thèse vise à développer et à évaluer de nouveaux modèles d'Apprentissage Profond (AP) pour un diagnostic robuste et complet de l'arthrose du genou à partir de données IRM multi-vues. En répondant aux limitations des méthodes existantes, nous proposons et étudions diverses architectures d'AP, y compris des approches d'apprentissage multi-vues, multi-étiquettes, multi-instances, multi-modales et multi-tâches. Ces modèles sont conçus pour exploiter efficacement les riches informations contenues dans les multiples vues de l'IRM, permettant des évaluations plus précises et globales. Pour améliorer davantage les performances, nous avons conçu des techniques de prétraitement efficaces pour optimiser la qualité des données d'entrée pour des modèles AP 2D et 3D. Nos modèles proposés, englobant des architectures CNN 2D et 3D, ont été entraînés et évalués sur la base de données de l'Osteoarthritis Initiative (OAI), où chaque IRM comprend plusieurs vues (axiale, coronale et sagittale) ainsi que différentes séquences (DESS, IW-TSE, COR-MPR, AXE-MPR). En plus de la classification pour le diagnostic, nous avons entraîné des modèles de segmentation pour délimiter des structures anatomiques spécifiques pertinentes pour l'évaluation de l'arthrose. Les résultats obtenus montrent des améliorations significatives, atteignant des précisions allant de 93,20% à 96,70% selon les approches, surpassant ainsi les modèles existants et les références établies. Cette thèse démontre le potentiel des modèles d'apprentissage profond appliqués aux données IRM du genou pour améliorer significativement la précision et l'efficacité des diagnostics de l'arthrose du genou et d'autres lésions du genou, ouvrant la voie à une gestion plus efficace des patients. Le développement de pipelines de prétraitement efficaces et de modèles de segmentation robustes renforce encore la contribution de ce travail au domaine de l'analyse d'images médicales.