Soutenance de mémoire : Classification des tumeurs rénales à l’aide d’imagerie par résonance magnétique dans un contexte d’apprentissage multitâches

Description :

Conférencier : Alexandre Ayotte, étudiant à la maîtrise en informatique, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Résumé : Pour les patients présentant une lésion au rein, la connaissance de la malignité, ainsi que du sous-type et du grade (dans le cas où la tumeur serait maligne), sont des éléments essentiels pour le pronostic. Actuellement, la procédure standard pour obtenir ces informations est de procéder à une biopsie de la lésion. La biopsie étant très invasive et manquant de fiabilité pour les tumeurs hétérogènes, l’analyse d’imagerie non invasive telle que l’imagerie par résonnance magnétique (IRM) à l’aide d’intelligence artificielle est une alternative qui a suscité beaucoup d’intérêt au cours des dernières années. Bien que les récentes études montrent que les réseaux de neurones à convolution soient très prometteurs lorsqu’il s’agit de classifier les tumeurs rénales par rapport à leur malignité, leur sous-type ou leur grade, les résultats ne sont pas encore suffisamment convaincants pour constituer une solution de rechange à la biopsie.

Dans ce projet, nous avons vérifié s’il est possible, à l’aide de l’apprentissage multitâche, d’améliorer les performances d’un modèle d’apprentissage profond pour la classification de la malignité, du sous-type et du grade des tumeurs rénales. Nous avons utilisé un jeu de données comportant les images par résonance magnétique de pondération T1 avec contraste amélioré et T2 de 1082 patients qui présente une lésion à l’un des reins, la segmentation de cette lésion pour chaque modalité et un ensemble de données cliniques. Nous avons démontré la pertinence d’un modèle d’apprentissage à tâche unique utilisant l’imagerie par rapport à un modèle se basant sur les données cliniques. Par la suite, nous avons comparé les réseaux de neurones à convolution entraînés sur les tâches individuellement à des modèles entraînés à prédire les 3 caractéristiques simultanément. Pour finir, nous avons vérifié s’il était bénéfique de forcer un modèle à simultanément classifier la tumeur et prédire un ensemble de caractéristiques radiomiques qui joueront le rôle de tâches auxiliaires.

Membre du jury, président rapporteur : Maxime Descoteaux, Professeur, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Membre du jury, évaluateur externe : Julien Cohen-Adad, Professeur, Département de génie électrique, École Polytechnique de Montréal

Membre du jury, directeur de recherche : Martin Vallières, Professeur, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Toutes les personnes intéressées sont cordialement invitées.

Lien Zoom