Classification d’images IRM cérébrales fondée sur un mécanisme d’attention invariant à l’échelle

Résumé

Ce mémoire aborde la classification fine des IRM structurelles du cerveau tout en préservant leur interprétabilité anatomique. Quatre familles de modèles complémentaires sont comparées : (1) un pipeline hiérarchique SIFT–MLP qui classe les points clés 3D et agrège les votes au niveau du sujet; (2) des CNN 3D entraînés de bout en bout sur des volumes d’IRM pondérées en T1; (3) un CNN peu profond exploitant des cartes de descripteurs SIFT 3D; et (4) un modèle hybride 3D-SIFT–Attention qui combine la morphologie locale invariante d’échelle et le contexte global au moyen d’une attention croisée. De plus, nous proposons une méthode d’Integrated-Gradients–Guided Keypoint Attribution (IG-KPA), qui aligne les attributions sur les points clés SIFT afin d’améliorer l’explicabilité. Le modèle hybride améliore la précision de classification dans tous les cas, par rapport aux réseaux standards ou aux points clés seuls, sur les jeux de données ADNI, HCP et OASIS, et pour les tâches de classification du sexe, de la maladie d’Alzheimer et de l’âge. Une exactitude de 94 % est obtenue pour la classification du sexe à partir de données rigidement recalées; toutefois, les différences de taille entre hommes et femmes constituent un facteur de confusion majeur. Après correction des effets de taille par recalage déformable, la précision est limitée à environ 92 %, en accord avec la littérature, ce qui suggère que l’IRM d’environ 8 % des individus ressemble davantage à celle du sexe opposé. Les analyses d’interprétabilité localisent systématiquement les signaux dans des régions neuro anatomiquement plausibles : les territoires thalamo-capsulaires profonds et périventriculaires pour la classification du sexe, et principalement des signatures ventriculaires pour l’âge et la maladie d’Alzheimer. En général, les résultats mettent en évidence l’intérêt des mécanismes d’attention qui intègrent des indices locaux invariants d’échelle avec un contexte spatial global pour les tâches de classification fine d’images cérébrales.

Date	11 déc. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Matthew Toews (Directeur(-trice))