Segmentation et annotation automatiques d'images et volumes du domaine médical basées sur l'apprentissage par variété

 

Christian Desrosiers

École de technologie supérieure

 

Domaine : technologies de l'information et des communications

Programme établissement de nouveaux chercheurs universitaires

Concours 2013-2014

L'introduction de nouvelles technologies d'acquisition de données médicales basées sur l'imagerie à résonance magnétique (IRM) et la tomodensitométrie (CT) a permis d'accroître considérablement la qualité des soins en permettant de poser un diagnostique beaucoup plus précis et personnalisé. Cependant, les bénéfices provenant de ces technologies ont également apporté d'importants défis : les intervenants de la santé doivent maintenant traiter une quantité phénoménale d'information, requérant une analyse de plus en plus longue et complexe.

L'objectif de ce projet est de développer de nouvelles méthodes permettant de simplifier et d'améliorer le processus de diagnostique en identifiant et annotant automatiquement des structures anatomiques à l'intérieur d'images 2D ou volumes 3D du domaine médical. Ces méthodes, basées sur le principe d'apprentissage par variété, pourront transférer l'information structurelle et sémantique d'un modèle pré-annoté à une image ou un volume cible, en les alignant sur un espace réduit. Cette approche innovatrice possède plusieurs avantages par rapport aux méthodes existantes de segmentation, notamment en permettant d'éviter le long et complexe processus d'annotation manuelle, en étant plus robuste aux variations structurelles dans les données, et en offrant une meilleure performance.

Une évaluation clinique, faite en collaboration avec des chercheurs en neurologie, est proposée pour valider l'utilité et l'efficacité des méthodes proposées par cette recherche.