Nicholas Ayache: Computational Medical Imaging

Sorry, this article is only available in French.

Dans l’émission Place de la Toile sur France Culture, Xavier de la Porte interview Nicholas Ayache, nouveau titulaire de la Chaire informatique et sciences numériques du collège de France.

Nicholas Ayache est ingénieur de Mines, détenteur d’un master en Intelligence Artificielle de l’UCLA et directeur de recherche à l’INRIA.

Il a choisi les sciences car à le sentiment qu’on y raisonne par déduction plutôt qu’en ayant appris des choses par cœur, un sentiment que je partage :).

Il a commencé par des travaux sur la vision artificielle des robots dans les débuts du développement de ce domaine ; domaine dont l’avancée incroyable me semble actuellement visible dans le projet de la Google Car par exemple.

Il passe ensuite de l’imagerie appliquée à la robotique à l’imagerie médicale computationnelle, son domaine de recherche actuelle. Le début de ses travaux dans ce domaine ont été d’analyser des images volumiques voire temporelles. Un projet visionnaire à une époque où tout était en 2D.

Le passage du 2D en 3D fait ainsi passer du traitement de pixels au traitement de voxels, c’est-à-dire des pixels volumiques, des éléments dans une matrice en 3 dimensions donc.

Un travail important a été fait afin de faire la mise en correspondance entre ces voxels d’imagerie médicale et des modèles mathématiques, mais également physiques, chimiques, physiologiques, afin de donner du sens aux images. Ces modèles permettent aux algorithmes de « comprendre » les images.

Cette projection d’un modèle computationnel sur les images 3D permet d’estimer les paramètres du modèle (par des algorithmes de régression j’imagine), paramètres ayant un sens physique ou physiologique, et pouvant être interprété (débit du cœur par exemple).

Notons que les voxels représentent des choses très différentes selon le type d’imagerie médicale, mais donnent parfois lieu à des algorithmes très similaires. Cette généralité des algorithmes peut se voir en Machine Learning où les algorithmes sont très généraux et ne dépendent pas des données.

Nicholas Ayache nous parle longuement de la création d’un « atlas anatomique intelligent ». Cet atlas est une sorte de base de données statistique du patient moyen agrémentée d’informations sémantique que l’on peut projeter sur la modélisation du patient pour simplifier l’interprétation des images et repérer des décalages par rapport aux « écarts types ».

Il nous parle également de la possibilité de fusionner des images pour combiner les informations (fusion de données j’imagine) – un principe qu’il compare à la superposition de couches en cartographie où l’on peut superposer les images satellites des routes – afin de croiser les données.

Et il nous parle aussi de la possibilité d’utiliser la réalité augmentée pendant les opérations chirurgicales (une pratique dont j’avais entendu et qui se développe grâce aux Google Glass).

En ce qui concerne l’imagerie microscopique, l’approche est différente de l’imagerie plus macroscopique, et on ne cherche plus à coller un modèle aux données (régression), mais plutôt à attribuer une étiquette à l’image (classification) avec des mécanismes de Data Mining. Ceci permet de fournir aux médecins un mécanisme d’aide à la décision permettant de rapprocher l’image du patient à d’autres images semblables labélisées par des spécialistes afin d’en faciliter l’interprétation.

Enfin, on apprend que cette approche computationnelle permet des calculs prédictifs de la santé du patient, de l’efficacité potentielle d’un traitement en fonction des caractéristiques du patient, etc.

Ce dont Nicholas Ayache rêve, c’est que ses recherches  permettent réellement d’améliorer la vie des patients en étant utilisées. Il nous parle du triangle « Recherche académique – Partenariat clinique – Partenariat industriel », nécessaire selon lui pour que les projets de recherche soient mis en production.

Une émission très intéressante que je vous invite à écouter.

Leave a Reply


− three = 2