IEMN
  • Accueil
  • Actualités
    • Newsletters de l’IEMN
    • Offres de Stages M2-Ingé
    • Les offres d’emplois
    • Toutes les actualités
  • L’Institut
    • Présentation
    • Organisation de l’institut
    • La Direction Scientifique
    • La Direction Technologique
    • La direction administrative et financière
    • Règlement intérieur
    • Nos engagements
  • La Recherche
    • Les départements scientifiques
      • Matériaux Nanostructures et Composants
      • Micro/nano et optoélectronique
      • Technologies des télécommunications et Systèmes intelligents
      • Acoustique
    • Les groupes de recherche
    • Les projets phares
  • Production Scientifique
    • Publications IEMN
    • Ressources production scientifique
  • Les plateformes
    • CMNF – Plateforme Centrale de Micro Nano Fabrication
      • Pôle Gravure et implantation
      • Pôle Analyse In Line
      • Pôle Soft Lithographie et Bio Microfluidique
      • Pôle Dépôts et épitaxie
      • Pôle Lithographie
      • Pôle Packaging
      • Staff CMNF
    • PCMP – Plateforme de Caractérisation Multi-Physique
      • Pôle Microscopie en Champ Proche (PCP)
      • Pôle Caractérisation Hyperfréquence, Optique et Photonique (CHOP)
      • Pôle Systèmes de COMmunications avancées et prototypage (SigmaCOM)
      • Pôle Caractérisation et Compatibilité ElectroMagnétique et prototypage (C2EM)
      • Staff PCMP
    • Prestations proposées par nos plateformes
  • Partenariat – Valorisation
    • Les Collaborations Académiques
    • Projets ANR
    • Principales collaborations internationales
    • Les partenariats industriels
    • Les laboratoires communs IEMN-Industrie
    • Les startups
  • La Formation à la Recherche
    • L’après-thèse
      • Faire un post-doc à l’IEMN
      • Vers le monde des entreprises et de l’industrie
      • Devenir Enseignant-Chercheur
      • Devenir Chercheur
      • Créer son entreprise à l’IEMN
      • FOCUS sur un ingénieur SATT issu de l’IEMN
    • Une thèse à l’IEMN
      • Soutenances de thèses et HDR
      • Sujets de thèses
      • Les financements
      • Les études doctorales
    • Master – Ingénieur
      • Masters ULille
        • Master Life Sciences and Technologies graduate program
        • Master Nanosciences and Nanotechnologies – Speciality ETECH
        • Master Réseaux et Télécommunications
      • Masters UPHF-INSA
        • Master Ingénierie des Systèmes embarqués et Communications Mobiles
        • Master Cyber-Défense et Sécurité de l’information
        • Master Matériaux, Contrôle, Sécurité
        • Master Ingénierie des Systèmes Images et Sons
      • Écoles Ingé partenaires/tutelles
      • Offres de Stages M2-Ingé
    • Le pôle lillois du GIP-CNFM
    • Nano-École Lille
  • Contact
    • Localisation
    • Formulaire de contact
    • Annuaire Intranet
  • Nos soutiens
  • en_GB
  • Rechercher
  • Menu Menu
ACTUALITES

THESE: M. AFNOUCH : Machine Learning Applications in Medical Diagnosis, case study: bone metastasis

F. AFNOUCH

Soutenance : 18 décembre 2023
Thèse de doctorat en Traitement du signal et des images, Université Polytechnique Hauts de France
Amphithéâtre de l’IEMN – Laboratoire central – Villeneuve d’Ascq

Résumé :

Les métastases sont un groupe de cellules anormales qui se développe en dehors des limites de l’organe d’origine et se propagent à d’autres organes. En particulier, les métastases osseuses proviennent d’un organe du corps, tel que le sein, le poumon ou la prostate, et se propagent à l’os. Bien que cette maladie ait été découverte il y a plus d’un siècle, elle n’est toujours pas bien définie et les traitements existants sont peu efficaces, probablement parce qu’elle est difficile et longue à détecter. Pour aider les médecins, les nouveaux techniques d’apprentissage automatique sont une solution pour améliorer la précision globale. Cette thèse vise à aider les radiologues à détecter systématiquement les métastases osseuses à l’aide d’algorithmes d’apprentissage automatique. Cependant, La découverte de biais méthodologiques dans les études sur le diagnostic des métastases osseuses et l’absence de consensus sur l’interprétabilité de l’apprentissage automatique ont déplacé l’objectif de cette thèse. Elle se concentre désormais principalement sur la collecte de données et sur la résolution des problèmes de validation et d’interprétabilité de l’apprentissage automatique. Afin d’évaluer correctement la capacité de l’apprentissage automatique à détecter les métastases osseuses, trois études expérimentales ont été menées. La première propose une nouvelle approche de segmentation soutenue par un mécanisme d’attention pour localiser les lésions osseuses. La deuxième est une étude des méthodes d’apprentissage automatique pour l’identification des cas de métastases osseuses. Enfin, la dernière étude met en évidence le manque de robustesse de la classification à l’aide de méthodes d’apprentissage automatique et propose une méthode pour améliorer la précision basée à la fois sur l’approche CNN et Transformer. Les résultats expérimentaux de cette thèse sont évalués sur l’ensemble de données BM-Seg que nous avons introduit, qui est le premier ensemble de données de référence pour la segmentation et la classification des métastases osseuses à l’aide de tomodensitogrammes. Cette base de données open source a été utilisé pour améliorer la reproductibilité des expériences d’apprentissage automatique. Les résultats trouvés lors des différentes études préliminaires sont encourageants et prometteurs

Abstract :

Metastases are a group of abnormal cells that develop outside the confines of the original organ and spread to other organs. In particular, bone metastases originate from an organ in the body, such as the breast, lung or prostate, and spread to the bone. Although this disease was discovered over a century ago, it is still not well defined and existing treatments are not very effective, probably because it is difficult and time-consuming to detect. To help doctors, new machine learning techniques offer a solution for improving overall accuracy. This thesis aims to help radiologists systematically detect bone metastases using machine learning algorithms. However, the discovery of methodological biases in studies on the diagnosis of bone metastases and the lack of consensus on the interpretability of machine learning have shifted the focus of this thesis. It now focuses mainly on data collection and on solving the problems of validation and interpretability of machine learning. In order to properly assess the ability of machine learning to detect bone metastases, three experimental studies were conducted. The first proposed a new segmentation approach supported by an attention mechanism for locating bone lesions. The second is a study of machine learning methods for identifying cases of bone metastases. Finally, the last study highlights the lack of robustness of classification using machine learning methods and proposes a method for improving accuracy based on both the CNN and Transformer approaches. The experimental results of this thesis are evaluated on the BM-Seg dataset that we introduced, which is the first reference dataset for the segmentation and classification of bone metastases using CT scans. This open source database was used to improve the reproducibility of machine learning experiments. The results of the various preliminary studies are encouraging and promising.

Logo
Cité Scientifique
Avenue Henri Poincaré
CS 60069
59 652 Villeneuve d'Ascq Cedex, France
Tel : 03 20 19 79 79
CNRS Logo University of Lille Logo University Polytech Logo Junia Logo Centrale Lille Logo Renatech Logo RFnet Logo
Plan du site
© Copyright Service ECM et pôle SISR 2024
  • Production scientifique
  • Mentions légales
  • Politique de confidentialité
Faire défiler vers le haut
fr_FR
fr_FR
en_GB
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site web. Si vous continuez à utiliser ce site, nous supposerons que vous en êtes satisfait.OKNonPolitique de confidentialité