Apprentissage profond pour l’harmonisation et la tractographie en imagerie de diffusion

Un défi de taille en imagerie de diffusion (IRMd) est la variabilité des données produites par différents IRMs (e.g. Siemens vs Philips vs GE vs Toshiba) et différents sites (e.g. Sherbrooke vs Mtl vs ailleurs). Si on change de protocole et de constructeur IRM, la variabilité augmente encore plus. Les données de diffusion ne sont donc pas invariantes aux protocoles et scanners utilisés, ce qui rend la vie très difficile pour tout algorithme d’apprentissage profond. Il est donc primordial de résoudre le problème d’harmonisation si on veut, un jour, avoir un algorithme robuste d’apprentissage profond pour la tractographie.

Intern: 
Theo Moutakanni
Superviseur universitaire: 
Maxime Descoteaux
Province: 
Quebec
Partner University: 
Discipline: