Apprentissage automatique quantique et classique pour l’analyse d’images des tumeurs cérébrales
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Felefly, Tony
Date de soutenance : 13-12-2024

Directeur(s) de thèse : Noel, Georges - Francis, Ziad

Président : Abboud, Marie
Rapporteur(s) : Padovani, Laëtitia - Constantin, Joseph
Membre(s) du jury : Ricard, Damien - Bund, Caroline - Coubez, Xavier

Établissement de soutenance : Strasbourg - Université Saint-Joseph (Beyrouth)
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale des Sciences de la vie et de la santé (Strasbourg ; 2000-....)
 
Discipline : Traitement du signal et des images
Classification : Médecine et santé

Mots-clés libres : Tumeurs cérébrales, Métastases, Gliomes, Apprentissage automatique, Apprentissage quantique
Mots-clés :
  • Tumeurs cérébrales - Diagnostic
  • Imagerie médicale
  • Apprentissage automatique
Résumé : La caractérisation des tumeurs cérébrales par des techniques non invasives est nécéssaire. L'objectif est d'utiliser l'apprentissage automatique et la technologie quantique sur des imageries pour caractériser les tumeurs cérébrales. Nous développons un Réseau Neuronal Quantique en utilisant la radiomique des IRM cérébrales pour différencier métastases et gliomes de haut grade. Nous sélectionnons les variables en se basant sur l'information mutuelle et nous utilisons D-Wave pour la solution. Nous entraînons le modèle sur un Simulateur Quantique. Nous utilisons les valeurs de Shapley pour expliquer les prédictions. Nous comparons les résultats á deux modèles classiques performants, DNN et XGB. Le modèle montre une performance comparable. Ensuite, nous développons un Réseau Neuronal Convolutif 3D en utilisant des TDM cérébrales non injectées pour identifier les patients ayant des métastases cérébrales. Nous avons construit deux cohortes de patients, une avec des métastases cérébrales, et une sans anomalies cérébrales. Le cerveau a été segmenté automatiquement. Nous entraînons plusieurs modèles, et le meilleur a montré une bonne performance.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAJ064
Type de ressource : Thèse