Autoencodeurs convolutionnels profonds pour la reconstruction d'images par résonance magnétique du cerveau sain

L’analyse des imageries par résonance magnétique (IRM) cérébrales est essentielle pour un diagnostic et un traitement appropriés des maladies neurologiques. Les progrès dans ce domaine peuvent contribuer à une amélioration significative de la qualité de santé. Plusieurs domaines restent encore à améliorer en raison de la nature même de la reconstitution d’images IRM : détection et segmentation des maladies, augmentation des données, amélioration de la collecte d’images ou amélioration de la qualité des images en sont quelques exemples. Depuis plusieurs années, diverses approches ont été proposées pour relever ces défis. L’apprentissage automatique (Machine Learning) et l’apprentissage profond (Deep Learning) se sont imposés comme des méthodes particulièrement populaires pour résoudre ces problèmes. Différentes solutions d’extraction de connaissances (apprentissage supervisé, non supervisé, réduction de dimension, modèles génératifs, etc.) ainsi que divers algorithmes peuvent être appliqués à la résolution de problèmes liés à l’IRM cérébrale. Par ailleurs, de nouvelles architectures d’apprentissage profond, initialement développées pour d’autres tâches de traitement d’images, peuvent s’avérer utiles. Parmi celles-ci, on peut citer de nouveaux types de convolution, d’autoencodeurs ou de réseaux antagonistes génératifs (GAN). L’objectif de ce travail est donc d’appliquer l’une de ces nouvelles techniques à l’IRM cérébrale en pondération T1 (T1WMRI). Nous allons concevoir un autoencodeur convolutif profond, susceptible d’aider à résoudre certains problèmes rencontrés en imagerie neurologique. L’entrée de cet autoencodeur sera une IRM T1WMRI de sujet sain (contrôle), dont l’objectif sera de reconstruire l’image d’origine. Toutefois, au sein de l’architecture, l’image doit passer par un espace à dimension réduite, ce qui rend la reconstruction de l’image initiale plus complexe. Ainsi, l’autoencodeur constitue un modèle normatif. Ce modèle normatif définira une distribution (ou plage normale) de la variabilité neuroanatomique en l’absence de maladie. Après entraînement à partir d’images de sujets sains, nous examinerons les applications potentielles de cet autoencodeur, notamment comme outil de réduction de bruit ou de détection de maladies.