Apprentissage automatique pour l'imagerie médicale interventionnelle

 

Kaleem Siddiqi

Université McGill

 

Domaine : technologie de l'information et des communications

Programme projet de recherche en équipe

Concours 2018-2019

Les dernières avancées en imagerie par résonance magnétique (IRM) ont grandement contribué à améliorer notre connaissance de la fonction du corps humain. Malheureusement, la technologie IRM peut aussi être très couteuse, ce qui la rend peu pratique à l'extérieur des grands centres hospitaliers. Pour cette raison, d'autres méthodes d'imagerie médicale, tels les ultrasons, ou la tomodensitométrie à faible dose, sont plus répandues, parce qu'elle sont moins chères et plus accessibles, meme si elle présentent des lacunes par rapport à l'IRM, tels qu'un niveau de bruit plus élevé, ou bien un contraste réduit. Ainsi, alors que de l'information d'imagerie IRM sophistiquée peut être disponible hors-ligne dans un contexte plus general, elle n'est souvent pas disponible lors de l'interprétation des données provenant en-ligne d'un patient spécifique.

Dans ce projet, notre but est de développer des méthodes probabilistes d'apprentissage automatique qui exploitent de l'information dérivée d'analyses antérieures sur des modalités d'imagerie plus sophistiquées, et/ou sur de plus grandes cohortes de patients. Nous allons appliquer ces méthodes probabilistes dans deux contextes spécifiques: (1) le recalage d'imagerie multi-modale en neurochirurgie guidée par l'image, et (2) la reconstruction de la géométrie des fibres cardiaques à partir d'images ultrasons du coeur. Dans le premier contexte de recalage d'imagerie multi-modale, souvent des structures visibles dans des images plus détaillées ne sont pas visibles dans d'autres modalités moins sophistiquées. Dans le deuxième contexte, l'estimation de modèles de géométrie cardiaque à partir d'images d'echocardiographie, permettra aux cardiologues de mieux voir et comprendre les propriétés mécaniques et électrophysiologiques du coeur.