Contributions to medical image segmentation with artificial intelligence for decision support
Contributions à la segmentation d’images médicales par intelligence artificielle pour l’aide à la décision
Résumé
Computer-aided medical image analysis provides a significant advantage over labor-intensive and subjective manual analyses by leveraging reproducible and objective computational techniques to interpret medical images. With the rapid advancement of artificial intelligence, the field has witnessed a shift towards deep learning methodologies able to perform a wide range of interpretation tasks, paving the way for personalized medicine. This manuscript synthesizes my past contributions, describes on-going works and anticipate future prospects on medical image analysis with artificial intelligence for better clinical decision support. At the interface between image processing, data science and applied mathematics, it highlights my contributions on semantic segmentation, multi-modal information fusion and longitudinal follow-up with deep learning. Enthusiasm for artificial intelligence hides a more nuanced side, linked to the challenges of a wider deployment in clinical routine. Given the complexity of collecting and annotating a large number of medical images, various learning paradigms have emerged comprising transfer learning, prior knowledge embedding, semi-supervised learning, multi-task or multi-domain analysis. Further, medically-sound computational models aim at providing an interpretable guidance for clinicians. Various facets of decision support systems are described in pre-operative planning and therapeutic follow-up, with a focus on abdominal imaging.
L'analyse d'images médicales assistée par ordinateur offre un avantage notable par rapport aux analyses manuelles subjectives et chronophages, en s'appuyant sur des techniques informatiques reproductibles pour interpréter les images médicales. Le développement de modèles computationnels fait de plus en plus appel à des techniques d’intelligence artificielle, ouvrant la voie à une médecine personnalisée. Ce manuscrit synthétise mes contributions et perspectives de recherche en analyse d'images médicales par intelligence artificielle, pour l'aide à la décision. À l'interface entre traitement d'images, science des données et mathématiques appliquées, il met en lumière mes contributions en segmentation sémantique, fusion multi-modale et suivi longitudinal par apprentissage profond. L'enthousiasme pour l'intelligence artificielle cache un aspect plus nuancé, lié aux nombreux défis d'un déploiement plus large en routine clinique. Étant donnée la complexité de la collecte et de l'annotation d'images médicales, divers paradigmes d'apprentissage ont émergé : transfert d'apprentissage, intégration de connaissances a-priori, apprentissage semi-supervisé, multi-tâche ou multi-domaine... De plus, les modèles computationnels visent à fournir une aide décisionnelle interprétable pour les médecins. Divers aspects de ces systèmes sont décrits dans les contextes de la planification pré-opératoire et du suivi thérapeutique, notamment en imagerie abdominale.
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
Licence |