Développement d'une application d'aide au diagnostic basée sur les réseaux de neurones artificiels pour la détection de tumeurs cérébrales

During the last decade, the study of brain tumor diagnosis systems brought a significant attention regarding to the fast growth of deep learning and the development of Artificial Neural Networks (ANNs). In the clinical field, deep learning based algorithms are being used to solve visual tasks such as the detection and segmentation of unhealthy tissues. These methods proved to be particularly efficient in the diagnosis of aggressive tumors like high grade gliomas. However, constrained by their important need in computational resources, these models cannot be realistically deployed on a large scale.In fact, their architecture becoming deeper with the improvement of their performances, their use and development entails significant material and energy costs as well as an important carbon dioxide emission. The optimization or replacement of these methods by solutions that are less dependent on the availability of high computational resources is thus critical. To respond to these problems, the compression of modern Convolutional Neural Networks (CNNs) for the creation of brain tumor segmentation applications on embedded systems is considered. Moreover, although many debates appeared concerning the efficiency of Deep Learning algorithms, some solutions based on Spiking Neural Networks (SNNs) are yet to be investigated in order to build fast and affordable medical image analysis systems.The objective of this work is thus to propose new ways to design medical image analysis systems, specifically for glioma tumors diagnosis. We aim to tackle the computational and energy cost issues of existing deep learning solutions to let their deployment be realistic in clinical settings. Hence, the first contribution presented in this manuscript firstly focuses on the adaptation of ANNs to devices with limited computational resources by the means of compression methods. Then, in a second contribution, non-trainable neural models for medical image analysis are investigated in order to respond to the cost problems induced by deep learning. Finally, our third contribution present a new method for the development of brain tumor diagnosis systems based on models of biological neuronsAu cours de la dernière décennie, l'étude de systèmes de diagnostics de tumeurs cérébrales a attiré une attention particulière compte tenu de la croissance rapide de l'apprentissage profond et du développement de réseaux de neurones artificiels efficaces. Dans le domaine clinique, les algorithmes basés sur l'apprentissage profond sont utilisés pour résoudre des tâches visuelles, telles que la détection ou la segmentation de tissus malsains. Ces méthodes ont notamment prouvé leur efficacité dans le diagnostic de tumeurs agressives telles que les gliomes de haut grade. Néanmoins, contraints par leur important besoin en ressources de calcul, ces modèles ne peuvent être réalistiquement déployés à grande échelle. En effet, leurs architectures devenant plus profondes avec l'amélioration de leurs performances, leur utilisation entraîne des coûts matériels et énergétiques importants qui ne correspondent pas aux exigences du domaine médical. L'objectif de ce travail de recherche consiste alors en l'étude de nouveaux outils visant à répondre aux pré-requis nécessaires au déploiement d'application d'aide au diagnostic de tumeurs cérébrales, plus spécifiquement des gliomes, basée sur les réseaux de neurones artificiels. Cette étude passe par un besoin d'optimisation ou de remplacement des méthodes déjà utilisées dans l'état de l'art par des solutions moins dépendantes à la disponibilité de grandes ressources de calcul. Pour répondre à ces problématiques, la compression de réseaux de neurones convolutifs pour la création d'application de segmentation de tumeurs cérébrales sur système embarqué est envisagée. De plus, bien que de nombreux débats soient apparus sur l'efficacité des modèles d'apprentissage profond, des solutions basées sur les réseaux de neurones impulsionnels doivent encore être examinées afin de construire des méthodes d'analyse plus rapides et rentables. L'ordre des contributions exposées dans ce manuscrit permet alors de mettre en avant une transition graduelle entre la deuxième et la troisième génération de réseaux de neurones artificiels. Par conséquent, l'étude présentée dans ce travail se concentre premièrement sur l'adaptation des réseaux de neurones artificiels à des systèmes possédant des ressources de calculs limitées par le biais de méthodes de compression. Puis, des modèles neuronaux pour l'analyse d'images médicales sont étudiés afin de répondre aux problématiques de coûts posées par l'apprentissage profond. Enfin, une nouvelle méthode de développement de systèmes de diagnostic de tumeurs cérébrales basée sur des modèles de neurones biologiques est proposé