Service Communautaire d'Information sur la Recherche et le Développement - CORDIS

Les noyaux stimulent l'imagerie médicale

Dans le domaine de l'imagerie médicale, les innovations sont limitées par une incapacité à extraire des données essentielles ou pertinentes à partir des images, ce qui permettrait un diagnostic précis de la maladie et le suivi des patients. Des chercheurs financés par l'UE ont développé des techniques d'apprentissage automatique à base de noyaux pour détecter l'arthrose et prévoir le risque de cancer du sein.
Les noyaux stimulent l'imagerie médicale
L'arthrose et le cancer du sein ont un coût socio-économique élevé. Une détection précoce pourrait grandement améliorer le pronostic et la qualité de vie des patients. Cependant, l'imagerie médicale n'est pas encore assez puissante pour détecter ces maladies chez tous les patients, en raison de problèmes de précision et d'hétérogénéité des tissus. Le projet AKMI (Advanced kernel-methods for medical imaging) s'est penché sur ces questions.

Les chercheurs d'AKMI ont étudié de façon exhaustive différentes architectures d'apprentissage fonctionnel, y compris les méthodes à noyaux, les machines de Boltzmann restreintes et les réseaux neuronaux convolutifs. Leurs solutions de machines de Boltzmann restreintes sont déjà utilisées pour une multitude de tâches de reconnaissance de formes et constituent les blocs de base des réseaux de croyances profondes.

Les membres du projet ont également utilisé et analysé des algorithmes d'apprentissage à base de noyaux tels que les machines à vecteurs de support. Ils ont publié un article qui décrit le risque de surapprentissage dû à une mauvaise sélection du modèle et également fourni des recommandations pour éviter ce problème.

Une autre réalisation majeure a été l'élaboration de stratégies pour la comparaison et la sélection de modèles, qui ont fait en 2015 l'objet d'une publication sur Journal of Machine Learning Research. En utilisant des classificateurs linéaires comme les machines à vecteurs de support et la fonction de perte à marge rhô, ils ont prouvé que la minimisation d'une marge de base est NP-difficile. Ils ont également utilisé des algorithmes de hachage afin d'accélérer les méthodes à noyau pour le calcul des similarités d'ensembles et de chaîne de bits.

Les chercheurs d'AKMI ont utilisé avec succès leurs algorithmes d'apprentissage automatique basé sur une architecture de réseaux neuronaux convolutifs, pour produire une imagerie 3D efficace de l'arthrose et quantifier la détérioration du cartilage. Cette approche a été plus précise que l'IRM, qui représente actuellement l'état de l'art pour le diagnostic de l'arthrose. L'application des méthodes par réseaux neuronaux convolutifs pour l'évaluation du risque de cancer du sein a également montré de bonnes performances.

L'étude d'AKMI a prouvé que les méthodes d'apprentissage automatique pour la reconnaissance et l'analyse des formes peuvent considérablement améliorer l'analyse des images médicales. La mise en œuvre de ces outils dans la gestion clinique des patients pourrait conduire à un diagnostic plus rapide, un traitement précoce et de meilleurs résultats pour les patients.

Informations connexes

Mots-clés

Noyau, imagerie médicale, apprentissage machine, arthrose, cancer du sein, AKMI,
Numéro d'enregistrement: 190801 / Dernière mise à jour le: 2016-12-23