Jeudi 22 avril 2021, datacraft a organisé un atelier sur la computer vision au service de l’imagerie médicale. Animé par Emmanuel Cohen, résident datacraft spécialisé dans la computer vision, cette journée a permis aux participants de découvrir l’utilisation des différentes techniques de computer vision applicables dans le domaine médicale.

Les applications de la computer vision sont nombreuses : diriger un véhicule autonome, générer des œuvres d’art, reconnaître des émotions sur un visage ou améliorer la qualité d’une image. Elle est utilisée en médecine pour la chirurgie guidée par la réalité augmentée ou l’aide au diagnostic.

L’atelier organisé par datacraft portait sur un domaine fondamental de l’imagerie médicale : la détection des tumeurs cancéreuses. Emmanuel Cohen, PhD en mathématiques appliquées au traitement d’images et data scientist, a présenté l’état de l’art des techniques utilisées en IA pour modéliser une structure biologique comme le cerveau. Une tumeur se caractérise par la prolifération de micro-vaisseaux qu’il faut pouvoir cartographier finement pour en monitorer l’évolution. Un enjeu important est de permettre aux médecins d’annoter les images cérébrales de manière précise et variée afin d’éviter tout biais dans l’apprentissage des modèles et d’améliorer leur capacité à généraliser.

Les participants ont été guidés dans l’utilisation d’un jeu de données (IRM de 110 patients) pour expérimenter plusieurs solutions techniques :

• Créer une interface utilisateur qui permet de sélectionner manuellement certains points d’une tumeur sur une image IRM et utiliser un algorithme de Fast-Marching pour en extraire semi-automatiquement les contours.
• Entraîner un modèle de Deep Learning UNet (Pytorch) pour prédire la présence d’une tumeur.

A l’issue de l’atelier, plusieurs axes d’explorations ont été proposés aux participants :

• Contrôler l’overfitting du modèle et tester d’autres métriques de validation.
• Utiliser des images en couleur et observer les résultats.
• Augmenter le nombre ou la variété des données pour réduire l’overfitting.

Laure Leter, résidente datacraft