Résumé
L’introduction dans la pratique clinique de nouvelles modalités d’imagerie médicale conduit à la création d’un flux important de données anatomiques, fonctionnelles, moléculaires, de plus en plus associées à du contenu sémantique sur le patient. Cette masse d’information multimodale et multiparamétrique doit permettre d’affiner le diagnostic mais elle est difficile à exploiter par une simple analyse visuelle. Dans ce contexte, la théorie de la décision statistique offre un large panel de méthodes permettant d’extraire et ordonner cette information en tenant compte des objectifs du clinicien. Nous nous intéressons en particulier aux méthodes de classification supervisée par apprentissage qui permettent, à partir d'un ensemble d'attributs (descripteurs) extraits des images, d'apprendre un modèle de décision, qui fournit ensuite au médecin un indicateur sur la localisation et la caractérisation de la pathologie dans l'image.
Ces projets, réalisés en collaboration avec des partenaires cliniciens, se heurtent parfois aux limites des méthodes de classification standard et soulèvent des questions méthodologiques dans le domaine de l’apprentissage statistique.
Ce projet de thèse vise à aborder trois problématiques scientifiques caractéristiques de l’apprentissage sur des données médicales. Ces thèmes seront traités en s’appuyant sur différentes problématiques cliniques, en collaboration avec des équipes cliniciennes. L’objectif est de proposer un formalisme adapté aux spécificités de l’imagerie médicale afin d’améliorer les performances diagnostiques des systèmes développés. On s'intéressera en particulier à la questoin de l'apprentissage sur des grandes masses de données hétérogènes
Quelques axes de recherche sont présentés dans le sujet détaillé joint.
Financement
Bourse de thèse ministérielle à confirmer en fonction des qualités du candidat.