Vous êtes ici

Modéliser la variabilité analytique dans des masses d’informations en imagerie médicale

Equipe et encadrants
Département / Equipe: 
Site Web Equipe: 
https://team.inria.fr/visages/
Directeur de thèse
Christian Barillot
Co-directeur(s), co-encadrant(s)
Camille Maumet
Contact(s)
Sujet de thèse
Descriptif

Le développement de la science ouverte a permis au cours des dernières années une multiplication des données mises publiquement à disposition de la communauté scientifique. L’ensemble de ces données partagées ouvre la voie vers une recherche en imagerie plus robuste car basée sur des échantillons larges permettant de déduire des modèles de population nouveaux et plus spécifiques.

Cependant l'analyse conjointe de données pré-existantes nécessite de prendre en compte de nouveaux niveaux d'hétérogénéité. Les différences dans les instruments d'imagerie, les protocoles, les sites d'acquisition et même les pipelines de traitement induisent des variations indésirables dans les données.

Ce travail de thèse se focalisera sur deux verrous scientifiques: Comment publier les artefacts de recherche (données, outils, méthodes) pour permettre la réutilisation des données ? Comment combiner entre elles des données existantes publiées, venant donc de sources différentes ?

Les développements méthodologiques seront orientés selon deux axes complémentaires. D'une part, nous développerons des modèles sémantiques pour représenter la provenance des données publiées en neuroimagerie. D'autre part, nous analyserons les effets des chaînes de traitements sur les résultats de neuroimagerie. Nous utiliserons des méthodes d'apprentissage pour 1) définir de façon automatique une hiérarchie entres briques élémentaires et ainsi proposer une sémantique et une mesure de la proximité entre chaînes de traitements et 2) définir des transformations permettant de calibrer les données pour enlever les variations indésirables liées à l'effet "pipeline".

Début des travaux: 
Septembre 2018
Mots clés: 
Partage de données, variabilité analytique, IRM, modélisation des connaissances, apprentissage
Lieu: 
IRISA - Campus universitaire de Beaulieu, Rennes