Le 30 mai 2024,
Daria ZOTOVA soutiendra sa thèse
« Deep brain unsupervised anomaly detection model based on multimodality imaging »
Amphithéâtre Emilie du Châtelet, Bibliothèque Marie Curie, INSA de Lyon
Résumé
L'épilepsie touche environ 65 millions de personnes dans le monde, nécessitant pour certains une intervention chirurgicale dépendante de la localisation précise de la zone épileptogène. Cette thèse vise à améliorer la détection des lésions épileptogènes via un système de diagnostic assisté par ordinateur (CAD), en utilisant des données neuroimagerie multimodales. Elle propose l'utilisation de réseaux siamois non supervisés avec des modèles SVM à classe unique pour identifier les anomalies dans les scans cérébraux, initialement testés sur des IRM T1 et FLAIR.
Une contribution majeure est le développement de méthodes pour générer des images PET synthétiques à partir de scans IRM T1, améliorant les capacités de détection du système CAD et abordant le défi des modalités manquantes en utilisant ces images synthétiques comme remplacement des données PET réelles. Cette approche permet une intégration multimodale efficace pour la détection de zones épileptogènes.
La première partie de la thèse examine les avancées dans l'apprentissage profond pour l'imagerie médicale et les stratégies d'intégration des données. La seconde partie détaille les expériences sur la synthèse PET et l'amélioration de la performance du modèle CAD avec l'intégration des données PET synthétiques. Ce travail avance le domaine de l'imagerie médicale dans la recherche sur l'épilepsie et propose des pistes pour améliorer la détection des lésions et les résultats chirurgicaux.
Liste des travaux publiés :
Journal article :
Zotova Daria, Pinon Nicolas, Trombetta Robin, Bouet Romain, Jung Julien, Lartizien Carole. GAN-based synthetic FDG PET images from T1 brain MRI can serve to improve performance of deep unsupervised anomaly detection models. submitted to Artificial intelligence In medicine
Articles et résumés de conférence :
Zotova Daria, Jung Julien, Lartizien Carole (2021) GAN-Based Synthetic FDG PET Images from T1 Brain MRI Can Serve to Improve Performance of Deep Unsupervised Anomaly Detection Models. SASHIMI workshop in conjunction wiht MICCAI conference, Strasbourg (virtual) 2021.
Zotova Daria, Lartizien Carole (2021). Realistic FDG-PET synthesis from T1 MRI based on adversarial deep architectures. Ecole d'hiver AI4Health 2021, Paris.
Le jury sera composé de :
Mme LARTIZIEN Carole | Directeur de thèse | Directeur de recherche | INSA de Lyon / CNRS |
Mme BURGOS Ninon |
| Chargé de recherche HDR | CNRS |
M. Olivier ARNAU |
| Professeur des Universités | University of Girona |
M. Alexander HAMMERS |
| PU-PH | King’s College London |
M. JUNG Julien |
| Professeur associé | Hospices Civils de Lyon |