Quand ils sont entraînés à partir d’une diversité d’images triées et étiquetées par des radiologistes expérimentés, les modèles d’intelligence artificielle arrivent à étiqueter automatiquement de nouvelles images et à suggérer des diagnostics, ce qui pourrait simplifier le travail des radiologistes, améliorer l’exactitude des diagnostics, contribuer à la formation des professionnelles et professionnels de la santé et aider à analyser de grandes quantités de données dans d’importantes études cliniques. Dans le cadre de sa maîtrise en mathématiques et statistique, Kevin Raina a développé des méthodes originales de détection et de délimitation de lésions dues à des accidents vasculaires cérébraux (AVC) et de tumeurs cérébrales sur des images médicales, une tâche difficile et fastidieuse pour les radiologistes.
Lorsqu’une patiente ou un patient a une tumeur ou une lésion au cerveau, la symétrie bilatérale naturelle de ce dernier est affectée. Dans leur analyse des images produites par résonance magnétique, Kevin Raina et sa directrice, la professeure Tanya Schmah, ont utilisé des informations basées sur la symétrie du cerveau pour améliorer considérablement leurs modèles statistiques de délimitation des lésions dues aux AVC. La délimitation des lésions est un exemple d’une tâche plus générale appelée « segmentation », qui consiste à délimiter sur une image numérique diverses régions, ou segments, pour en faciliter le traitement ou l’analyse ultérieurs. En tenant compte de la symétrie, on peut améliorer la qualité de la segmentation et d’autres méthodes automatisées en neuroimagerie.
Kevin Raina a également élaboré des modèles permettant d’estimer le volume de lésions à partir d’images du cerveau en utilisant une régression de Poisson modifiée, une méthode statistique qui sert à modéliser des variables dépendantes. Ces modèles arrivent à repérer correctement l’image où le volume de la lésion est le plus important; cette méthode d’imagerie pourrait notamment permettre de modéliser la croissance des lésions du cerveau et des tumeurs chez les malades. En dépit de leurs avantages, les méthodes automatisées ne sont pas exemptes d’erreur, et sont encore loin d’être assez fiables pour permettre de prendre des décisions. L’étudiant a aussi proposé une approche statistique pour mesurer l’incertitude dans les modèles de segmentation standard.
Ces modèles sont présentés dans sa thèse de maîtrise, qui a été mise en nomination pour un prix. Comme l’a souligné un des examinateurs externes, cette recherche apporte un nombre remarquable de nouveautés pour une thèse de maîtrise. L’étudiant a publié deux articles dans Proceedings of the International Joint Conference on Biomedical Engineering Systems and Technologies (BIOSTEC) 2020, et un troisième dans les actes de BIOSTEC 2021.
Kevin Raina fait actuellement son doctorat sous la direction de la professeure Schmah; il développe des techniques statistiques d’apprentissage machine pour la neuroimagerie et les ensembles de données sur le cœur. Il espère ainsi améliorer le diagnostic et le pronostic pour les personnes atteintes de la maladie d’Alzheimer et de sclérose latérale amyotrophique. Fermement convaincu que le succès est souvent à portée de main pour peu que l’on persévère malgré les échecs, il conseille aux étudiantes et étudiants de travailler dur, de ne jamais abandonner et de nouer des relations fructueuses avec les autres.
Pour en savoir plus :
- Exploiting Bilateral Symmetry in Brain Lesion Segmentation with Reflective Registration (en anglais seulement)
- Modelling brain lesion volume in patches with CNN-based Poisson Regression (en anglais seulement)
- Statistical Inference of the Inter-Sample Dice Distribution for Discriminative CNN Brain Lesion Segmentation Models (en anglais seulement)
