L’intelligence artificielle pour interpréter les images médicales
L’image d’en-tête a été achetée sur Istock.com. Des droits d’auteur s’appliquent.
De la reconnaissance d’objet à l’interprétation d’images médicales
Au cours des dernières années, des percées spectaculaires ont été réalisées en vision artificielle dans le domaine de la reconnaissance d’objets dans les images couleurs. Lorsque les conditions sont idéales, le taux de reconnaissance d’objets peut même s’approcher de celui de la reconnaissance humaine.
Pour qu’une machine puisse reconnaître un objet, un chat par exemple, il faut lui fournir des milliers voire des millions d’images de chats différents. L’objet d’intérêt, le chat dans cet exemple, doit être annoté et segmenté manuellement dans des images afin de faire comprendre à la machine que tous ces objets, malgré leurs différences, sont en fait des chats. Ces images sont alors représentées sous forme matricielle pour alimenter un algorithme d’apprentissage machine, sous forme d’un problème d’optimisation avec des variables à grande échelle et dont la solution génère des millions de paramètres, lesquels seront utilisés pour reconnaître l’objet dans une image qui n’a pas été annotée.
En imagerie médicale, les choses se corsent. Les images sont volumineuses, en noir et blanc, parfois en 3D. Elles contiennent « du bruit ». En plus, apprendre à une machine à identifier une tumeur peut être beaucoup plus complexe que de lui apprendre à reconnaître un chat dans une photographie. Une personne sans savoir médical ne peut pas effectuer un diagnostic à partir d’une image médical. C’est pareil pour les machines : la tâche devient plus complexe parce qu’il faut modéliser mathématiquement ce savoir médical. Pour qu’une machine puisse reconnaître une anomalie (comme une tumeur) ou un organe, il va falloir lui fournir des milliers d’images où la zone d’intérêt a été préalablement délimitée de façon manuelle par des personnes formées, des radiologues par exemple. Le nombre de possibilités étant très grand, la quantité d’information à compiler et à traiter est incalculable; il devient donc nécessaire de développer des algorithmes performants d’optimisation (optimisation combinatoire) pour utiliser l’information et permettre à une machine d’interpréter automatiquement ces images.
C’est à ce volet de traitement de l’information que s’attaquent les travaux d’Ismail Ben Ayed, professeur au Département de génie de la production de l’École de technologie supérieure (ÉTS) et titulaire de la Chaire sur l’intelligence artificielle en imagerie médicale, créée depuis le 4 octobre 2016.
Présentation du professeur Ben Ayed
Le professeur Ben Ayed a effectué son baccalauréat et sa maîtrise en Tunisie. Lors de sa maîtrise, il réalise un stage à l’Institut national de la scientifique (INRS) au centre Énergie matériaux télécommunications (EMT). Ce stage lui donne envie de poursuivre au doctorat, au même institut, en vision artificielle. En 2007, il devient chercheur pour GE Healthcare à London en Ontario. Parmi ces réalisations, un algorithme capable d’annoter automatiquement les os de la colonne vertébrale et un logiciel évaluant la fraction d’éjection du cœur, tous deux utilisés en milieu hospitalier. En 2015, il prend la décision de poursuivre sa carrière en milieu universitaire, à l’École de technologie supérieure (ÉTS), pour avoir plus de liberté dans l’orientation de ses recherches. Son objectif est de mettre au point des algorithmes qui seront utilisés massivement dans le domaine de la santé.
Applications concrètes de l’interprétation automatique des images
Bien entendu, ces algorithmes permettraient d’accélérer le traitement 
des images obtenues par radiographie, échographie, résonance magnétique ou tomographie en facilitant la tâche des radiologues et en accélérant la production de rapports. Ils pourraient aussi dégager des tendances statistiques en analysant les images avant et après une chirurgie, ce qui permettrait par la suite de sélectionner les patients selon l’urgence de leur situation personnelle. Toutefois, le potentiel de cette technologie est beaucoup plus grand.
En effet, imaginez un programme qui fouille continuellement parmi les tonnes d’images générées par imagerie médicale et qui les analyse en tenant compte de toute l’information visible sur l’image et non pas seulement celle relative à la raison de la consultation. Par exemple, un patient passe une radiographie de la colonne vertébrale parce qu’il a mal au dos. Le radiologue qui analyse sa radio est un spécialiste de la colonne vertébrale et son attention est naturellement canalisée sur cette partie du corps. Toutefois, s’il regarde juste à côté, il pourrait voir que le diamètre de l’aorte abdominale du patient est anormalement grand, ce qui signale un risque de rupture causée par anévrisme et de mort immédiate du patient.
Ce cas n’est pas rare : il est estimé que 5 % des patients passant une radiographie de la colonne présentent des risques d’anévrisme de l’aorte abdominale. Un programme pouvant repérer l’aorte abdominale dans toutes les radiographies où elle est visible pourrait sauver des vies! Il en va de même avec une panoplie d’anomalies que d’autres algorithmes pourraient repérer.
Le professeur Ben Ayed est convaincu qu’on en arrivera à développer un modèle computationnel unique qui imitera la façon dont l’humain interprète les images. Ce modèle sera sans aucun doute complexe et nécessitera des ordinateurs puissants.
