Type de document

Thèse d'exercice

Diffusion

Accès restreint

Titre en français

Approches d'intelligence artificielle appliquées à la lecture de radiographies thoraciques pédiatriques

Auteur

Freiss, Simon

Directeur de thèse

Meyrignac, Olivier

Date de soutenance

2019-10-23

Établissement de soutenance

Université Toulouse III - Paul Sabatier

Faculté

Purpan

Sujet

Médecine spécialisée

Mots-clés en français

Intelligence artificielle

Deep Learning

SVM

Radiographie thoracique

Pneumopathie

Pédiatrie

Résumé en français

Les pneumopathies tuent environ 2 millions d'enfants de moins de cinq ans chaque année. Une interprétation radiologique rapide des radiographies thoraciques permet souvent de poser instantanément le diagnostic. L'objectif principal de notre étude était de produire un algorithme capable d'analyser automatiquement une radiographie thoracique pédiatrique afin de déterminer s'il existait ou non une pneumopathie sur l'imagerie. Notre objectif secondaire était de développer un algorithme capable de distinguer une pneumopathie bactérienne d'une pneumopathie virale. Nous avons utilisé les approches SVM sous l'environnement Matlab, et de Transfer Learning sous l'environnement XCode, qui permet d'entrainer un réseau de neurones avec une petite fraction des données habituellement nécessaires aux approches conventionnelles. En appliquant cette approche à un ensemble de radiographies thoraciques pédiatriques issues du PACS du CHU de Toulouse, et d'une base de radiographies thoraciques pédiatriques disponible en ligne, nous avons réussi à entrainer un modèle de Deep Learning permettant de dépister les pneumopathies avec une sensibilité de 94,8% et une spécificité de 95,8%. La distinction entre pneumopathie bactérienne et virale était moins bonne avec une sensibilité de 84% et une spécificité de 70,5%.
Cette étude confirme la possibilité d'entraîner des modèles d'intelligence artificielle performants avec peu de données, via une approche de type Transfer Learning.

Date de publication

2020-11-09T15:50:50