Year: 2015
Type: dissertation
Abstract: Je témoigne une sincère reconnaissance à mon directeur de recherche Samuel Kadoury et mon co-directeur de recherche Christopher J. Pal pour m'avoir accompagné et guidé tout au long de ma maîtrise.Leurs conseils, leur disponibilité, ou encore leur attention m'ont permis de compléter ce mémoire et d'acquérir une expérience inestimable.Le programme de formation MÉDITIS a joué un rôle indéniable dans ma maîtrise par l'encadrement qu'ils m'ont offert.Une attention particulière revient à Nathalie Jourdain pour la coordination du programme et le temps passé à suivre chaque étudiant.Je tiens également à remercier Guillaume-Alexandre Bilodeau et Maxime Raison pour le temps qu'ils ont accepté de m'accorder afin d'évaluer mon mémoire.Le projet sur la colonne vertébrale n'aurait pas pu se réaliser sans Stefan Parent, Hubert Labelle et Carl-Éric Aubin.Je suis venu me greffer à un projet dont ils étaient les investigateurs principaux.Leur expertise a largement contribué aux travaux de ce mémoire.J'ai également une pensée pour les assistants de recherche du CHU Sainte-Justine, Nathalie, Christian et Soraya, sans qui rassembler autant de patients aurait été impossible.Je souhaite remercier Nicolas Piché, à la base du projet sur la segmentation des reins, et avec qui les discussions ont toujours été très enrichissantes.Je voudrais aussi remercier Julien Cohen-Adad, avec qui j'ai initialement commencé ma maîtrise.Alors étudiant au baccalauréat, j'ai réalisé de nombreux projets dans son laboratoire qui ont parfait mes connaissances en imagerie médicale.Je ne saurais oublier J.P Lewis, qui m'a accueilli dans son laboratoire en Nouvelle-Zélande, et qui m'a montré l'envers du décor du monde du cinéma.Une pensée chaleureuse va à tous les étudiants des cycles supérieurs que j'ai côtoyés à Polytechnique Montréal.Qu'ils soient des collègues de bureau, collègues au sein du département, ou désormais dans un nouveau laboratoire, nombreux sont devenus des amis proches.Enfin, j'adresse mes remerciements les plus chers à ceux qui ont suivi de très près, voire de trop près, l'ensemble des tribulations survenues au cours de ma maîtrise, et qui se reconnaîtront sans aucune peine.Famille et amis m'ont offert un soutien sans faille qui a été d'une aide précieuse et indispensable.v RÉSUMÉ La disponibilité croissante d'images médicales ouvre la porte à de nombreuses applications cliniques qui ont une incidence sur la prise en charge du patient.De nouveaux traits caractéristiques cliniquement pertinents peuvent alors être découverts pour expliquer, décrire et représenter une maladie.Les algorithmes traditionnels qui se basent sur des règles d'association manuellement construits font souvent défaut dans le domaine biomédical à cause de leur incapacité à capturer la forte variabilité au sein des données.L'apprentissage de représentations apprend plusieurs niveaux de représentations pour mieux capturer les facteurs de variation des données.L'hypothèse du projet de recherche du mémoire est que la classification par apprentissage de représentations apportera une information supplémentaire au médecin afin de l'aider dans son processus de décision.L'objectif principal, qui en découle, vise à étudier la faisabilité de l'apprentissage de représentations pour le milieu médical en vue de découvrir des structures cliniquement pertinentes au sein des données.Dans un premier temps, un algorithme d'apprentissage non-supervisé extrait des traits caractéristiques discriminants des déformations de la colonne vertébrale de patients atteints de la scoliose idiopathique de l'adolescent qui nécessitent une intervention chirurgicale.Le sous-objectif consiste à proposer une alternative aux systèmes de classification existants qui décrivent les déformations seulement selon deux plans alors que la scoliose déforme le rachis dans les trois dimensions de l'espace.Une large base de données a été rassemblée, composée de 915 reconstructions de la colonne vertébrale issues de 663 patients.Des auto-encodeurs empilés apprennent une représentation latente de ces reconstructions.Cette représentation de plus faible dimension démêle les facteurs de variation.Des sous-groupes sont par la suite formés par un algorithme de k-moyennes++.Onze sous-groupes statistiquement significatifs sont alors proposés pour expliquer la répartition de la déformation de la colonne vertébrale. LISTE DES SIGLES ET ABRÉVIATIONSSigle Acronyme Équivalent français AIS Adolescent idiopathic scoliosis Scoliose idiopathique de l'adolescent ANN Artificial neural networks Réseaux de neurones artificiels ASSD Average symmetric surface distance Distance moyenne symétrique surfacique CHVA Central hip vertical axis Axe vertical centré sur les hanches ConvNet Convolutional network Réseau à convolution CSVL Central sacral vertical line Ligne verticale centrée sur le sacrum CT Computerized tomography Tomodensitométrie DC Dice coefficient Coefficient de Dice FOV Field-of-view Champ de vision HD Hausdorff distance Distance d'Haussdorff MT Main thoracic Thoracique haute PI Pelvic incidence Incidence pelvienne PMC Plane of maximum curvature Plan de courbure maximale ReLU Rectified linear unit Unité rectificatrice linéaire SAE Stacked auto-encoders Auto-encodeurs empilés TLL Thoracolumbar/lumbar Thoracolombaire/lombaire
Author: William Thong
Language: French
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2408195943