Array

Soutenance Giulia Maria MATTIA – 09/12/2022

Vendredi 09 Décembre 2022 à 14h Salle conférence 1er étage Pavillon Baudot CHU Purpan.

«Intelligence Artificielle et Maladies Neurologiques :  Aider le Diagnostic et Améliorer la Compréhension du Comportement des Réseaux de Neurones Convolutifs»

Membres du jury:

M. Vincent LABATUT, Rapporteur

M. Nacim BETROUNI, Rapporteur

Mme Isabelle BERRY, Examinatrice

M. Stéphane LEHERICY, Examinateur

M. Patrice PERAN, Directeur de thèse

M. Xavier FRANCERIES, Co-directeur de thèse

Résumé

Intelligence Artificielle et Maladies Neurologiques :  Aider le Diagnostic et Améliorer la Compréhension du Comportement des Réseaux de Neurones Convolutifs

Les dernières avancées de l’intelligence artificielle permettent d’obtenir des résultats exceptionnels dans l’analyse d’images médicales pour l’aide au diagnostic de maladies neurologiques. Parmi ces outils puissants, les réseaux de neurones convolutifs (CNN) sont capables d’extraire de manière complètement automatique les motifs caractéristiques à partir d’images multidimensionnelles, issues par exemple de l’imagerie par résonance magnétique (IRM). Les motifs extraits sont ensuite utilisés afin de discriminer les sujets sains des patients à l’aide d’un réseau de neurones artificiels. Malgré leur forte capacité discriminative, les CNN sont parfois considérées comme des « boîtes noires » car il est difficile de comprendre comment le CNN arrive à faire cette discrimination. Ce projet de thèse vise à mieux comprendre le fonctionnement du CNN, en exploitant les données d’apprentissage. La modification des données IRM du cerveau a permis d’analyser comment la capacité discriminative des CNN varie selon les différentes caractéristiques des données d’apprentissage. Ces travaux ont été aussi appliqués à différentes maladies neurologiques pour aider le diagnostic. Ainsi la compréhension des décisions prises par les CNN est essentielle dans un contexte clinique qui exige transparence pour en favoriser l’acceptation.

Mots clefs:  Imagerie par Résonance Magnétique, Cerveau, Apprentissage Profond, Maladies Neurodégénératives, Atrophie Multisystématisée, Coma Anoxoischémique

Abstract

Artificial Intelligence for Neurological Disorders: Aiding the Diagnosis and Better Understanding Convolutional Neural Network Behavior

The latest advances in artificial intelligence have led to exceptional results for analyzing neurological diseases. Among these powerful tools, Convolutional Neural Networks (CNNs) can perform image analysis directly from multidimensional data, such as those obtained with magnetic resonance imaging (MRI). After extracting the most meaningful patterns, an artificial neural network can discriminate between healthy and pathological subjects. CNNs are considered « black boxes » despite their potential because their decision-making process is not transparent to human operators. This thesis project aims to shed light on CNN’s functioning to favor the acceptance and use of these methods. By altering ad hoc brain MRI data, we managed to track and interpret CNN performance according to the different characteristics of the input. We exploited this work for application to the diagnosis of neurological disorders. A better understanding of CNN behavior is indeed essential in the biomedical domain, demanding transparency and interpretability.

Keywords : Magnetic Resonance Imaging, Brain, Deep Learning, Neurodegenerative Diseases, Multiple System Atrophy, Anoxoischemic Coma