Apprentissage avec annotations limitées pour la classification des images médicales – MIMIC

Au cours des dernières années, les approches d’apprentissage profond ont connu un grand succès dans le domaine de la vision par ordinateur. Toutefois, cet apprentissage nécessite une quantité monstrueuse de données annotées pour atteindre les performances souhaitées. Dans le domaine de la santé, la non-disponibilité de grande quantité d’images médicales constitue une barrière devant la réussite de telles approches. En effet, la collecte et l’annotation des données médicales sont coûteuses car elles demandent l’intervention de plusieurs experts qui ne sont pas toujours disponibles pour effectuer l’annotation. La disponibilité limitée des d'images médicales annotées reste le plus grand défi pour le succès des techniques d'apprentissage profond et d’intelligence artificielle en imagerie médicale. En se basant sur l’idée que l’être humain est capable d’apprendre des concepts à partir de peu d’exemples, MIMIC vise à proposer des méthodes pour une représentation efficace des images médical 3D et l’optimisation de transfert des caractéristiques vers la tâche cible (few-shot). MIMIC adresse aussi l’aspect multi-domaine des images médicales dans l’apprentissage des représentations.
Dans ce projet, nous nous intéresserons aux données volumétriques IRM et CT pour la détection respective des infections pulmonaires (CT thoracique) et les troubles cérébrales (IRM cérébrale) avec peu de données annotées. Néanmoins, les approches développées pourraient être adaptées et appliquées pour d’autres types d’images médicales/maladies dans le but de réduire la dépendance aux images annotées