Segmentation et analyse des séquences cardiaques par les techniques d'apprentissage en profondeur (deep learning)

Abstract

Dans cette thèse, on travaille sur deux grandes problématiques dans l'utilisation de l'apprentissage approfondi dans les applications cardiaques: le manque de données étiquetées, et le manque d'explicabilité des modèles d'intelligence artificielle (IA). On a d'abord étudié l'impact d'utiliser des données synthétiques pour gérer le déséquilibre d'un ensemble de données sur la tâche de dépistage de l'athérosclérose à partir d'images d'angiographie coronarienne. On a noté une amélioration de la sensibilité de 60,8% à 89,0%, une performance sans précédent dans la littérature. Dans la deuxième partie, on travaille sur l'identification des structures cardiaques à l'aide d'un nouveau modèle d'IA qui imite le raisonnement des médecins. On a suivi un organigramme qui décrit chaque étape fait par le médecin lors de la segmentation et de l'identification manuelles des structures cardiaques, en remplaçant chaque étape par un algorithme d'apprentissage automatique approprié