Mémoires de Fin d’Etudes
Etablissement
Université de Biskra - Mohamed Khider
Affiliation
Département d’Informatique
Auteur
Kouadria, Tallel Abdelhamid
Directeur de thèse
Mazouzi Smaine (Maitre de conférence)
Filière
Intelligence Artificielle et Images
Diplôme
Doctorat
Titre
Auto-adaptation, coopération, et optimisation en interprétation automatique d’images médicales
Mots clés
systèmes auto-adaptatifs, systèmes coopératifs, intelligence artificielle distribués, systèmes multi-agents, imagerie médicale
Résumé
Il est communément admis chez les professionnels de santé que le diagnostic tardif représente le premier élément d’un pronostic en défaveur du patient. Dans cette optique, tout effort à l’amélioration de l’analyse et l’interprétation des images médicales, contribuera à poser des diagnostics précoces, et par conséquent agir à temps en faveur des malades. Dans le cadre de cette thèse, il sera question, en coopération avec des médecins radiologues et cancérologues, de proposer de nouvelles approches pour l’aide à l’analyse et l’interprétation des images radiologiques. Il s’agit d’approches auto-adaptatives et coopératives, basées sur les systèmes multi-agents. Les systèmes ainsi conçus se veulent auto-adaptatifs et évolutifs dans le sens où le système auto-évolue et ce, suite aux interactions avec ses utilisateurs. Il est reporté dans la littérature du domaine que l’interprétation automatique des images médicale souffre du problème du bruit dans l’information visuelle. Dans ce type d’images, le bruit consiste principalement à la mixture des tissus aux frontières des régions histologiques. La délimitation exacte d’un tissu donné demeure un problème à résoudre dans le traitement automatique d’images médicales. La plupart des systèmes proposés pour l’interprétation automatique d’images médicales étaient conçus de telle sorte que l’expertise d’interprétation est figée dans le système, et aucun mécanisme d’apprentissage incrémental n’est proposé. Ces systèmes fonctionnent souvent correctement avec les images de test. Cependant, ils échouent avec de nouvelles images, obtenues ultérieurement par différents types de systèmes d’acquisition. Il est donc indispensable d’incorporer un mécanisme d’apprentissage incrémental dans les systèmes à développer. Ce mécanisme assure la capture de l’expertise des médecins lorsque ces derniers interprètent manuellement des images, ou ajuster des interprétations automatiques. Le travail à réaliser dans le cadre de cette thèse se traduit d’une part, par l’utilisation du paradigme multi-agents dans le but de mettre en œuvre un Framework pour la construction de systèmes de reconnaissance d’objets d’intérêt dans les images médicales, et d’autre part, par la mise en place d’une méthodologie de représentation des connaissances qui incorporent le savoir et le savoir faire en matière d’interprétation d’images médicales. Il sera également question d’examiner les différentes approches d’optimisation, servant comme support de segmentation d’images, et d’en choisir les plus appropriées aux différents types d’images médicales.
Statut
Signalé