Harmonisation de données d’imagerie de diffusion par auto-encodage adversariel avec respect de contraintes anatomiques

L’acquisition de données d’imagerie de diffusion est suceptible à un important problème de variabilité à travers les différents sites d’acquisition (e.g. Sherbrooke vs. Montréal) et à travers les fabricants (e.g. Siemens vs Philips). Puisque ces données de diffusion ne sont pas invariantes aux protocoles et scanners utilisés, il s’agit d’un problème de taille pour les études cliniques qui désirent utiliser des données provenant de multiples sites d’acquisition. Les algorithmes d’apprentissage profonds semblent adaptés à ce type de problème et pourraient permettre de nouvelles avancées technologiques dans le domaine de l’harmonisation de données.

Intern: 
Philippe Poulin
Superviseur universitaire: 
Maxime Descoteaux;Pierre-Marc Jodoin
Province: 
Quebec
Partenaire: 
Partner University: 
Discipline: 
Programme: