Analyse de données massives d'imagerie médicale à partir des caractéristiques locales

 

Matthew Toews

École de technologie supérieure

 

Domaine : technologie de l'information et des communications

Programme : établissement de nouveaux chercheurs universitaires

Concours 2017-2018

La prolifération des systèmes d'images médicales, combinées avec les technologies de stockage et de transmission de données numériques, a conduit à d'énormes archives d'imagerie médicale. Cette réalité motive le développement d'algorithmes d'apprentissage machine capable de s'adapter aux quantités de données grandissantes, pour les tâches telles que le recalage d'image et le diagnostic assisté par ordinateur.

Ce projet de recherche vise à développer des algorithmes d'apprentissage machine capables de traiter la quantité massive de données d'images médicales. Une approche basée sur les caractéristiques locales est adoptée, où les données d'images sont traitées comme un ensemble compact de motifs locaux très informatifs, conduisant à des algorithmes d'apprentissage très efficaces grâce à la correspondance des caractéristiques. La contribution principale sera d'encoder l'information spatiale dans les descripteurs de caractéristiques locales afin d'augmenter la précision de la correspondance. Cela permettra ensuite d'améliorer la précision et l'exactitude des deux tâches primaires d'analyse d'images médicales, le recalage d'images et la classification, pour des applications telles que le diagnostic assisté par ordinateur.

La validation expérimentale utilisera de grands ensembles de données comprenant plus de 20000 images de modalités diverses, y compris IRM cérébrale et tomodensitométrie du poumon, et visera des applications telles que l'analyse et le diagnostic assisté par ordinateur du cancer et la bronchopneumopathie chronique obstructive.