Approches frugales pour l’analyse de données d’IRM »
En quelques mots
Généré par l'IA
Florence Forbes aborde la problématique de la frugalité algorithmique appliquée à l'analyse de données d'IRM. Elle définit la frugalité non seulement par la réduction de la consommation énergétique, mais aussi par l'optimisation du temps de calcul, de la mémoire et l'amélioration de l'interprétabilité des modèles. L'objectif est de proposer des alternatives aux réseaux de neurones profonds, souvent gourmands en données annotées et en ressources de calcul, afin de rendre l'intelligence artificielle accessible à des centres disposant de moins de moyens techniques.
L'intervenante présente deux études majeures. La première porte sur la détection d'anomalies cérébrales subtiles chez des patients Parkinsoniens de novo, en utilisant des données de la cohorte PPMI (modalités T1w et DTI pour les paramètres FA et MD). Pour pallier le volume massif de voxels, elle propose une approche non supervisée basée sur des modèles de mélange de distributions (Gaussiennes ou lois de Student) entraînés via un algorithme EM en ligne (online). Cette méthode permet de modéliser la normalité à partir de sujets sains sans nécessiter d'annotations manuelles. Les résultats montrent que cette approche est nettement plus économe en énergie (kJ) et en mémoire que les auto-encodeurs ou les architectures ResNet 18, tout en offrant des performances de classification (GMIN) comparables, voire supérieures, avec un nombre de paramètres drastiquement réduit.
La seconde étude concerne le Magnetic Resonance Fingerprinting (MRF). Pour éviter l'explosion exponentielle de la taille du dictionnaire de signaux nécessaire à la reconstruction de multiples cartes paramétriques, l'auteure propose l'utilisation d'ACP probabilistes et de mélanges pour compresser le dictionnaire. Cette technique permet de passer d'un volume de 13 téraoctets à 1,5 téraoctet, réduisant ainsi considérablement les temps de calcul, notamment sur des ordinateurs portables.
Pour le clinicien, ces travaux démontrent que des approches statistiques classiques, optimisées pour le passage à l'échelle, peuvent offrir des solutions robustes, interprétables et économes, facilitant l'intégration de l'IA dans la pratique clinique quotidienne, même hors des infrastructures de calcul intensif.
L'intervenante présente deux études majeures. La première porte sur la détection d'anomalies cérébrales subtiles chez des patients Parkinsoniens de novo, en utilisant des données de la cohorte PPMI (modalités T1w et DTI pour les paramètres FA et MD). Pour pallier le volume massif de voxels, elle propose une approche non supervisée basée sur des modèles de mélange de distributions (Gaussiennes ou lois de Student) entraînés via un algorithme EM en ligne (online). Cette méthode permet de modéliser la normalité à partir de sujets sains sans nécessiter d'annotations manuelles. Les résultats montrent que cette approche est nettement plus économe en énergie (kJ) et en mémoire que les auto-encodeurs ou les architectures ResNet 18, tout en offrant des performances de classification (GMIN) comparables, voire supérieures, avec un nombre de paramètres drastiquement réduit.
La seconde étude concerne le Magnetic Resonance Fingerprinting (MRF). Pour éviter l'explosion exponentielle de la taille du dictionnaire de signaux nécessaire à la reconstruction de multiples cartes paramétriques, l'auteure propose l'utilisation d'ACP probabilistes et de mélanges pour compresser le dictionnaire. Cette technique permet de passer d'un volume de 13 téraoctets à 1,5 téraoctet, réduisant ainsi considérablement les temps de calcul, notamment sur des ordinateurs portables.
Pour le clinicien, ces travaux démontrent que des approches statistiques classiques, optimisées pour le passage à l'échelle, peuvent offrir des solutions robustes, interprétables et économes, facilitant l'intégration de l'IA dans la pratique clinique quotidienne, même hors des infrastructures de calcul intensif.
