Fusion et suivi d’évolution des lésions de sclérose en plaques par l’intelligence artificielle

Abstract

La sclérose en plaques (SEP) est difficile à diagnostiquer et à suivre, notamment à ses débuts. L’IRM permet de visualiser le système nerveux central et de détecter la SEP, mais le diagnostic manuel est laborieux et nécessite l’expertise d’un neuroradiologue, rendant la segmentation automatique indispensable. L’objectif de ce travail de master est de synthétiser l’état de l’art sur la segmentation des lésions de la SEP pour développer un système d’aide au diagnostic et au suivi. Ce système utilise l’apprentissage profond pour détecter les lésions à partir d’images IRM et évaluer leur évolution en fusionnant des examens réalisés à différents moments. Cela améliore ainsi la rapidité et la précision des diagnostics. ***

Multiple sclerosis (MS) is one of the most difficult diseases to diagnose or follow-up, especially in the early stages. Magnetic resonance imaging (MRI) shows the structure of the central nervous system, which makes it possible to detect MS. However, manual MS diagnosis is often painstaking and requires significant and tedious efforts. Additionally, MRI diagnosis cannot be achieved without an expert neuroradiologist, which makes automatic segmentation a necessity in this field. The objective of this master’s thesis is to synthesize the state of the art in MS lesion segmentation to develop a system to aid in diagnosis and monitoring. This system uses deep learning to detect lesions from MRI images and assess their progression by merging scans taken at different times. Thereby improving the speed and accuracy of diagnoses.