Détection précoce et prédiction des anomalies dans un processus aléatoire

Abstract

Une anomalieesttoutécartparrapportàuncomportementnormalattendu.Dansle domaine médical,détectercesanomaliestôtpeutchangerlepronosticd’unpatient.Lesano- malies cérébralessontdifficilesàdétecteràunstadeprécocecarellesneprovoquentaucun symptôme etrestentinvisiblesàl’oeilnusurlesimagesIRM.Lesméthodesautomatiques existantes,notammentlesréseauxdeneuronesprofonds,donnentdebonsrésultatssurles lésions développées,maisellesnécessitentdesmilliersd’imagesannotéesetdesressources de calculimportantes.Cetravailproposel’algorithmeIBIGPcommeréponseàceproblème. Le principeestsimple:onconstruitunmodèlestatistiquegaussienàpartird’uneseule image IRMnormale,puisoncalculepourchaquepixeldel’imageàanalyserl’inversede sa probabilitéd’appartenirautissusain.Unpixelnormalreçoitunevaleurprochedezéro. Un pixelanormal,quis’écartedumodèle,reçoitunevaleurtrèsélevée.Lerésultatestune image oùlesanomaliesapparaissentcommedespointslumineuxsurfondnoir.Pourévaluer cette approche,nouslacomparonsàdeuxarchitecturesd’apprentissageprofond:unCNN- ResNet18 pourlaclassificationetunU-NetavecencodeurResNet34pourlasegmentation. Les résultatsmontrentqu’IBIGPlocaliselesanomaliesprécocesavecuneprécisionspatiale directe, sansfauxpositifssurlesimagessaines,etsansaucunedonnéeannotéeniGPU.Le CNN produitdesfauxnégatifssurlescaslesplussubtilsetleU-Netnesegmentepasles lésions lespluspetites.