Annotation automatique de bases de données échocardiographiques ultra-massives avec apprentissage par renforcement
Year: 2025
Type: dissertation
Abstract: L’échographie cardiaque est une modalité d’imagerie rapide et accessible, couramment utilisée par les professionnels de la santé pour évaluer le fonctionnement cardiaque. Les techniques d'intelligence artificielle, telles que la segmentation automatique et l'aide au diagnostic, facilitent l'interprétation de ces images et allègent le travail des cliniciens. Cependant, leur adoption en pratique clinique demeure limitée par le manque de données annotées avec précision. En effet, il existe peu de bases de données échocardiographiques publiques de grande taille comportant des annotations couvrant l’intégralité du cycle cardiaque. La création manuelle de telles bases de données représente un processus long et coûteux, nécessitant une annotation minutieuse par des experts. Pour surmonter cette contrainte, des méthodes d'adaptation de domaine auto-supervisées ont été développées pour transférer les connaissances acquises sur un domaine source vers un domaine cible, sans intervention humaine supplémentaire. Bien que ces approches permettent d'affiner un modèle afin de générer des segmentations satisfaisantes sur un domaine cible, elles ne considèrent pas la validité anatomique des résultats produits. Par conséquent, des incohérences anatomiques importantes peuvent demeurer, limitant leur utilisation pour l’annotation automatique de nouvelles bases de données médicales. Ce mémoire présente RL4Seg, une méthode d'adaptation de domaine novatrice exploitant l'apprentissage par renforcement afin d'assurer la validité anatomique des segmentations produites. Les fondements théoriques et les choix conceptuels sur lesquels repose cette méthode seront également détaillés. RL4Seg a démontré des performances surpassant l'état de l'art en adaptation de domaine pour la segmentation d'images d'un domaine cible non annoté, tout en produisant des cartes de segmentation présentant une validité anatomique de 99%.
Author: Judge, Arnaud
Institution: Université de Sherbrooke
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7199732876
