Evaluation of performance disparities in deep learning models for neuroimaging and the role of entropy-based active learning

Résumé

Les modèles d’apprentissage profond constituent aujourd’hui la principale approche pour la segmentation d’images médicales. Toutefois, ils peuvent produire des prédictions biaisées selon certains groupes démographiques, notamment le sexe et l’ethnoculturalité. Ces écarts sont importants, car ils peuvent influencer les analyses en aval, comme les études volumétriques, et contribuer à des inégalités dans les résultats cliniques. Cette thèse s’intéresse à ce problème en étudiant le biais démographique dans la segmentation de l’IRM cérébrale structurelle et en proposant un cadre d’apprentissage actif sensible à l’équité afin de réduire ces disparités. Dans une première étude, publiée dans la revue Machine Learning for Biomedical Imaging, nous avons comparé plusieurs modèles d’apprentissage profond, dont nnU-Net, UNesT et CoTr, à une méthode atlasique plus classique, ANTs. À partir de segmentations de référence du noyau accumbens, annotées manuellement curées, nous avons montré que certains modèles sont beaucoup plus sensibles que d’autres au déséquilibre démographique dans les données d’entraînement. Nous avons également observé que des segmentations automatisées biaisées peuvent masquer de véritables différences volumétriques liées à la race, pourtant encore visibles dans les annotations manuelles. Ces biais peuvent ainsi modifier l’interprétation des analyses morphométriques en aval. Dans une seconde étude, qui sera présentée à la conférence Medical Imaging with Deep Learning en 2026, nous avons proposé une stratégie d’apprentissage actif sensible à l’équité pour réduire ces disparités dès l’étape de sélection des données d’entrainement. La méthode proposée, fondée sur une entropie localisée pondérée, combine une pondération basée sur la performance spécifique à chaque groupe et une estimation localisée de l’incertitude. En concentrant l’incertitude dans une région d’intérêt, cette approche capture plus fidèlement l’incertitude épistémique pertinente et évite de confondre celle-ci avec de simples variations anatomiques plus globales. Des expériences menées sur des IRM synthétiques présentant un biais morphologique contrôlé ont montré que cette stratégie peut réduire de manière importante les écarts entre groupes, avec des améliorations allant jusqu’à 86 % par rapport à l’échantillonnage par entropie standard. Dans l’ensemble, ces travaux montrent que l’équité en neuro-imagerie ne devrait pas être considérée comme un simple critère d’évaluation secondaire. Elle doit plutôt être pensée comme un principe central de conception. En mettant en évidence la présence de biais dans la segmentation cérébrale, à la fois dans les méthodes d’apprentissage profond et dans les approches plus traditionnelles, puis en proposant une stratégie concrète pour entraîner des modèles plus équitables, cette thèse contribue au développement de méthodes d’analyse d’images médicales plus fiables et plus justes.

Date	30 avr. 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Sylvain Bouix (Directeur(-trice))