Annonce

Les bases de données de sujets sains en imagerie du cerveau sont de taille très limitée et insuffisante pour l'étape d'apprentissage inhérente aux méthodes basées sur le Deep Learning. L'acquisition d'images IRM nécessite du temps et des ressources coûteuses qui ne peuvent être dépensés pour des patients sains. De ce fait, les modèles sont toujours entraînés à partir d'images présentant des pathologies diverses : glioblastomes, lésions de sclérose en plaque, Alzheimer, etc. Disposer d'un système capable de générer des images de patients sains permettrait de constituer les grandes quantités de données indispensables à l'apprentissage des réseaux, de maîtriser l'étude des pathologies, en ajoutant aux données des marqueurs spécifiques temporellement variants afin de créer des séquences temporelles extrêmement rares en imagerie médicale. Les techniques de génération d'images médicales à partir de descriptions textuelles offrent par conséquent une alternative économique et non invasive pour produire des images de qualité clinique.

Ce projet de Master propose de spécialiser un modèle génératif de type Stable Diffusion sur la synthèse d'images IRM du cerveau. L'idée est de focaliser l'apprentissage de ce modèle sur des paires "descriptions textuelles anatomiques / images IRM".