Une nouvelle méthode pourrait réduire les erreurs dans l’imagerie computationnelle

Les modèles d'apprentissage profond, tels que ceux utilisés en imagerie médicale pour aider à détecter des maladies ou des anomalies, doivent être entraînés avec beaucoup de données. Cependant, il arrive souvent que les données disponibles pour entraîner ces modèles ne soient pas suffisantes ou que les données soient trop diverses.

Ulugbek Kamilov, professeur associé d'informatique et d'ingénierie et d'ingénierie électrique et des systèmes à la McKelvey School of Engineering de l'Université Washington à Saint-Louis, ainsi que Shirin Shoushtari, Jiaming Liu et Edward Chandler, doctorants de son groupe, ont développé une méthode pour contourner ce problème courant dans la reconstruction d'images.

L'équipe présentera les résultats de la recherche ce mois-ci lors de la Conférence internationale sur l'apprentissage automatique (ICML 2024) à Vienne, en Autriche.

Par exemple, les données IRM utilisées pour former des modèles d’apprentissage profond peuvent provenir de différents fournisseurs, hôpitaux, machines, patients ou parties du corps imagées. Un modèle formé sur un type de données peut introduire des erreurs lorsqu’il est appliqué à d’autres données. Pour éviter ces erreurs, l’équipe a adopté l’approche d’apprentissage profond largement utilisée, connue sous le nom de Plug-and-Play Priors, a pris en compte le décalage des données avec lesquelles le modèle a été formé et a adapté le modèle à un nouvel ensemble de données entrantes.

« Avec notre méthode, peu importe que vous n'ayez pas beaucoup de données d'entraînement », a déclaré Shoushtari. « Notre méthode permet de s'adapter aux modèles d'apprentissage profond en utilisant un petit ensemble de données d'entraînement, quel que soit l'hôpital, la machine ou les parties du corps d'où proviennent les images.

« L'intérêt de la stratégie d'adaptation de domaine est qu'elle nous permet de réduire les erreurs que nous commettons en imagerie en raison d'un ensemble limité de données », a déclaré Shoushtari. « Cela pourrait nous aider à appliquer l'apprentissage profond à des problèmes qui étaient auparavant considérés comme impossibles en raison des exigences en matière de données. »

L'une des applications possibles de cette méthode serait l'acquisition de données à partir d'IRM, qui nécessite que les patients restent immobiles pendant de longues périodes. Tout mouvement du patient entraîne des erreurs.

« Nous avons envisagé d'acquérir les données de l'IRM dans un délai plus court », a déclaré Shoushtari. « Alors que les examens plus courts conduisent généralement à des images de moins bonne qualité, notre méthode peut être utilisée pour améliorer la qualité de l'image par calcul, comme si le patient était resté plus longtemps dans l'appareil. L'innovation clé de notre nouvelle approche est qu'elle ne nécessite que quelques dizaines d'images pour adapter un modèle d'IRM existant à de nouvelles données. »

La méthode est également applicable au-delà de la radiologie, et l’équipe collabore avec d’autres collègues pour adopter la méthode à l’imagerie scientifique, à l’imagerie microscopique et à d’autres applications dans lesquelles les données peuvent être représentées sous forme d’image.