Keypoint masking for analyzing segmented medical image data

Résumé

Ce mémoire examine plusieurs utilisations des masques de segmentation en conjonction avec l’analyse par point-clé dans le contexte de l’imagerie médicale. Actuellement, la procédure la plus populaire pour les neuro-images est l’extraction de points-clés sur une image sans tissu provenant de l’extérieur du cerveau. Notre hypothèse initiale est que cette technique génère du bruit près de la bordure du cerveau et nuit aux études cliniques. Nous proposons une nouvelle méthode basée sur l’extraction de points-clés sur l’image naturelle avant le filtrage par masque. Nous avons reproduit une étude récente par Chauvin, Kumar, Wachinger, Vangel, de Guise, Desrosiers, Wells & Toews (2020) sur la classification des relations familiales utilisant la base de données Human Connectome Project et comparé la méthode classique avec notre nouvelle méthode. Celle-ci dépasse par 2% la méthode classique dans les tests de classification familiale. Les résultats ont été publiés dans l’atelier MLCN (Pepin, Carluer, Chauvin, Toews & Harmouche, 2020). Nous avons développé un modèle théorique expliquant et prédisant ces comportements en se basant sur les propriétés de la loi normale multidimensionnelle. Notre méthodologie est générale et nous nous attendons à ce que nos résultats soient généralisables pour d’autres types de données et de systèmes de classifications basés sur la convolution linéaire, les réseaux de neurones convolutifs par exemple.

Date	22 déc. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Matthew Toews (Directeur(-trice)) & Rola Harmouche (Codirecteur(-trice))