Clinique du Sport Bordeaux - Mérignac

Intelligence artificielle & Radiologie

Aide au diagnostic en IRM ostéo-articulaire

IA ... Concepts

Comment définir l’intelligence ?Capacité à percevoir le mondeCapacité à prédire le futurCapacité à planifier une série d’actions pour atteindre un butCapacité à apprendreCapacité à appliquer son savoir à bon escient

Qu’est ce que l’intelligence artificielle ?Ensemble de techniques permettant à des machinesd’accomplir des tâches et de résoudre des problèmesnormalement réservés aux humains et à certains animaux.

1 / 12

IA ... Domaines d’application et techniques

Quels domaines d’application ?Traitement d’images : Reconnaissance d’objets sur des images(Facebook)Reconnaissance vocale : Google Home, Reconnaissance vocaleintégrée au PACSJeux : Jeux d’échecs, de go, pokerRobotique : robots d’assistance en chirurgieMédical : Aide au diagnostic

2 / 12

IA ... Domaines d’application et techniques

Quelles méthodes d’apprentissage ?Apprentissage par renforcement La machine ne reçoit qu’un simple

signal, une sorte de récompense, indiquant si la réponseproduite était correcte ou pas.

Apprentissage non supervisé Apprentissage mis en place par leshumains ou animaux en observant le monde et en agissant.

Apprentissage supervisé La machine devient capable de classifiercorrectement des images après avoir été entrainée avec ungrand jeu de données étiquetées.

3 / 12

Machine Learning Apprentissage automatique - Techniques

Régression (linéaires, multivariées, polynomiales,etc...)Algorithme natif BayésienClusteringArbres de décisionSVM, Random Forest,...Deep learning - Apprentissage profond

4 / 12

Deep Learning Deep Learning et Réseaux de neurones

Comment ça marche ?Compréhension des concepts grâce à l’analyse des données à unhaut niveau d’abstraction.Capacité d’apprendre à représenter le monde de façon hiérarchique.

Les différents réseaux de neuronesRéseaux de neurones simples Réseau multicouche d’éléments

simples, similaires aux classifieurs linéaires, interconnectéspar des poids entraînables.

Réseaux de neurones convolutifs Forme particulière de réseauneuronal multicouche dont l’architecture des connexionsest inspirée de celle du cortex visuel des mammifères.

Réseaux récurrents Architecture de réseau neuronal particulièrementadaptée au traitement de signaux séquentiels, e.g texte.

5 / 12

Deep Learning Exemple de Réseau de neurones

Figure: Exemple de réseau de neurone, Moez et al

6 / 12

Deep Learning Applications en Radiologie

Figure: Christ et al., “Automatic liver and lesion segmentation in CTusing cascaded fully convolutional neural networks and 3D conditionalrandom fields”

7 / 12

Deep Learning Applications en Radiologie

Figure: Dou et al., “Automatic detection of cerebral microbleeds fromMR images via 3D convolutional neural networks”

8 / 12

Deep Learning Applications en Radiologie

Figure: England et al., “Detection of traumatic pediatric elbow jointeffusion using a deep convolutional neural network”

9 / 12

Deep Learning Applications en Radiologie

Figure: Tiulpin et al., “Automatic knee osteoarthritis diagnosis fromplain radiographs: A deep learning-based approach”

10 / 12

Deep Learning Intérêts et avantages de ces techniques

Gains de temps significatifs

Radiologue > 2 heuresOutil d’aide au diagnostic < 2 minutes

Table: Exemple de temps d’analyse de 120 IRM du genou

Nicholas Bien et al. “Deep-learning-assisted diagnosis for knee magnetic resonance imaging:Development and retrospective validation of MRNet”. In: PLoS medicine 15.11 (2018),e1002699

11 / 12

Références

Lassoued Moez et al. “Contribution de la classification des défauts de soudage semi-automatiquepar un système neuronal”. In: Nov. 2017

England et al., “Detection of traumatic pediatric elbow joint effusion using a deep convolutionalneural network”

Fang Liu et al. “Deep learning approach for evaluating knee MR images: achieving highdiagnostic performance for cartilage lesion detection”. In: Radiology 289.1 (2018), pp. 160–169

Christ et al., “Automatic liver and lesion segmentation in CT using cascaded fully convolutionalneural networks and 3D conditional random fields”

Tiulpin et al., “Automatic knee osteoarthritis diagnosis from plain radiographs: A deeplearning-based approach”

Dou et al., “Automatic detection of cerebral microbleeds from MR images via 3D convolutionalneural networks”

Bien et al., “Deep-learning-assisted diagnosis for knee magnetic resonance imaging: Developmentand retrospective validation of MRNet”

12 / 12