Ahmad FALL

Sujet de thèse

Sujet : Explicabilité et interprétabilité dans l’apprentissage de modèles profonds en imagerie médicale : applications translationnelles aux maladies cardiométaboliques
Domaines : Informatique, Intelligence Artificielle, Imagerie Médicale et Biosignaux

Résumé : L’intelligence artificielle a contribué aux récents progrès dans le traitement des données d’imagerie médicale. Sa puissance se base sur le fait que les modèles sont capables d’apprendre des abstractions hiérarchiques complexes sans intervention experte. Cependant, en dépit de ce succès, des difficultés subsistent notamment quant à l’explicabilité, l’intérprétabilité et la robustesse des modèles d’apprentissage profond, mais également à leur élaboration dans le cas des données d’IRM fonctionnelles (images 4D). L’objectif de ce travail de thèse est de développer des méthodes permettant de mieux apprendre les abstractions médicales complexes telles que la segmentation des organes ainsi que l’évolution de leur dynamique. Nous utiliserons des approches à base de réseaux de neurones adverses génératifs (GAN). Allié à cela, de nouvelles approches d’annotation automatique des données seront élaborées et employées sur ces réseaux afin de mieux comprendre leur processus de décision. Enfin, nous proposerons des méthodes indiquant des explications intelligibles du processus de classification. Nous utiliserons des données d’IRM 4D de patients cardiométaboliques. Les modèles seront proposés aux cliniciens pour évaluation.

Informations personelles

Prénom et nom : Ahmad Fall
Nationalité : Sénégalais - Mauricien
E-mail : fallahmad@outook.com / ahmad.fall@ird.fr
Tél : +221 77 776 43 26 / +33 07 55 92 14 56

Publications

  1. Prifti, Edi, Ahmad Fall, Giovanni Davogustto, Alfredo Pulini, Isabelle Denjoy, Christian Funck-Brentano, Yasmin Khan et al. "Deep learning analysis of electrocardiogram for risk prediction of drug-induced arrhythmias and diagnosis of long QT syndrome." European Heart Journal 42, no. 38 (2021) : 3948-3961.