• IDS114 - Étiquetage des images et autres tâches quotidiennes dans l'équipe de projet d'intelligence artificielle

    Avertissement

    Les projets ou stages publiés auxquels vous accédez sont des rapports d'étudiants et doivent être pris comme tels. Il peuvent donc comporter des imperfections ou des imprécisions que tout lecteur doit admettre et donc supporter. Il ont été réalisés pendant les périodes de formation et constituent avant-tout des travaux de compilation bibliographique, d'initiation et d'analyse sur des thématiques associées aux concepts, méthodes, outils et expériences sur les démarches qualité dans les organisations ou sur les technologies en santé.

    Si, malgré nos précautions, vous avez des raisons de contester ce droit de diffusion libre, , nous nous efforcerons d'y apporter une réponse rapide. L'objectif de la présentation des travaux sur le web est de permettre l'accès à l'information et d'augmenter ainsi la qualité des échanges professionnels.

    Nous ne faisons aucun usage commercial des travaux de projet ou de stage publiés, par conséquent les citations des informations et l'emploi des outils mis à disposition sont totalement libres. Dans ce cas, nous vous demandons de respecter les règles d'éthique en citant explicitement et complètement vos sources bibliographiques.

    Bonne lecture...

    Auteur

    ZHANG Bin

    Contacts

    Citation

    A rap­pe­ler pour tout usage : Bin ZHANG, « Éti­que­tage des images et autres tâches quo­ti­diennes dans l'équipe de pro­jet d'intelligence arti­fi­cielle », Uni­ver­si­té de Tech­no­lo­gie de Com­piègne (France), Mas­ter Ingé­nie­rie de la San­té, Par­cours Tech­no­lo­gies Bio­mé­di­cales et Ter­ri­toires de San­té (TBTS) et Dis­po­si­tifs Médi­caux et Affaires Régle­men­taires (DMAR), Mémoire de Stage, réf n° IDS114, Sep­tembre 2021, https://travaux.master.utc.fr/formations-master/ingenierie-de-la-sante/ids114/

    Résumé

    Cares­tream Health est une entre­prise de dis­po­si­tifs médi­caux de renom­mée mon­diale, plei­ne­ment pré­sente dans le domaine des sys­tèmes d'imagerie médi­cale et des tech­no­lo­gies infor­ma­tiques. L'équipe du pro­jet d'intelligence arti­fi­cielle où j'ai effec­tué mon stage est une par­tie impor­tante du dépar­te­ment de recherche de l'entreprise. Les recherches de l'équipe portent prin­ci­pa­le­ment sur l'apprentissage en pro­fon­deur en ima­ge­rie médi­cale, qui est appli­qué à l'intelligence arti­fi­cielle sur les dis­po­si­tifs d'imagerie médi­cale, et l'étiquetage d'images est une étape impor­tante du pro­jet d'apprentissage en pro­fon­deur. Par consé­quent, ce pro­jet de stage consiste donc à tra­vailler au sein d'une équipe de pro­jet d'intelligence arti­fi­cielle pour effec­tuer l'étiquetage d'images afin de four­nir des jeux de don­nées pour les pro­jets d'apprentissage en pro­fon­deur, et aux autres tâches quo­ti­diennes telles que la concep­tion et la réa­li­sa­tion des expé­riences et les tâches tem­po­raires sur la base de don­nées d'images médi­cales de l'équipe. Ce mémoire pré­sente l'objectif de l'étiquetage d'images dans cette équipe de pro­jet d'intelligence arti­fi­cielle, les méthodes de mise en œuvre, les pro­blèmes éven­tuels et les amé­lio­ra­tions, ain­si que la mise en œuvre de cer­taines autres tâches quo­ti­diennes. Cela don­ne­ra pos­si­ble­ment aux autres équipes tra­vaillant sur l'apprentissage en pro­fon­deur de nou­velles idées pour amé­lio­rer leur pro­ces­sus d'étiquetage d'images.

    Abstract

    Cares­tream Health is a glo­bal­ly renow­ned medi­cal device com­pa­ny with a full pre­sence in the field of medi­cal ima­ging sys­tems and infor­ma­tion tech­no­lo­gy. The arti­fi­cial intel­li­gence pro­ject team where I did my inter­n­ship was a key part of the company's research depart­ment. The team's main research focus is on deep lear­ning in medi­cal ima­ging, which is applied to the arti­fi­cial intel­li­gence on medi­cal ima­ging devices, and image labe­ling is an impor­tant step in the deep lear­ning pro­ject. The­re­fore, this inter­n­ship pro­ject is to work within an arti­fi­cial intel­li­gence pro­ject team to per­form image labe­ling to pro­vide data­sets for deep lear­ning pro­jects, and to per­form other dai­ly tasks such as desi­gning and conduc­ting expe­ri­ments and tem­po­ra­ry tasks on the medi­cal image data­base. This paper will present the pur­pose of image labe­ling in this arti­fi­cial intel­li­gence pro­ject team, the imple­men­ta­tion methods, pos­sible pro­blems and impro­ve­ments, as well as the imple­men­ta­tion of some other dai­ly tasks. This may give other teams wor­king on deep lear­ning new ideas to improve their image labe­ling process. 

    Téléchargements

    IDS114 - ZHANG Bin - Mémoire de stage

    Éti­que­tage des images et autres tâches quo­ti­diennes dans l'équipe de pro­jet d'intelligence artificielle

    Mémoire Complet :

    Étiquetage des images et autres tâches quotidiennes dans l'équipe de projet d'intelligence artificielle

    Remerciements

    Tout d'abord, je tiens à remer­cier mon école - UTC. La for­ma­tion en ingé­nie­rie de la san­té que j'ai reçue ici est le point de départ de tout ce qui sera décrit dans ce mémoire. La connais­sance que m'apportent Mme. CLAUDE Isa­belle, M. FARGES Gil­bert, M. PROT Jean-Mat­thieu et d'autres ensei­gnants est le socle néces­saire à la bonne réa­li­sa­tion de ce pro­jet de stage. Sur­tout Mme. CLAUDE en tant que sui­veuse de mon stage, j'ai eu son ferme sou­tien pour l'organisation sys­té­ma­tique de toutes les mis­sions et la com­mu­ni­ca­tion conti­nue pen­dant le stage.

    Deuxiè­me­ment, je tiens à remer­cier l'équipe de pro­jet d'intelligence arti­fi­cielle dans le dépar­te­ment de recherche de l'entreprise Ray­co Medi­cal (filiale de Cares­tream Health) de m'avoir offert cette rare oppor­tu­ni­té de stage. Ce qu'il convient de men­tion­ner ici, c'est la coopé­ra­tion et l'assistance de mes col­lègues (GONG Wayne, SUN Ken, ZHANG Jane, ZHAO Sixue) pen­dant le pro­ces­sus d'étiquetage d'images et dans mon tra­vail quo­ti­dien, ain­si que les conseils de mon tuteur M. CHEN Dex­ter pour cha­cune de mes tâches.

    Enfin, je tiens à remer­cier les auteurs cités dans ce mémoire. Leurs tra­vaux ont joué un rôle impor­tant de guide et ont consti­tué la base de la réa­li­sa­tion de ce mémoire.

    Liste d'abréviations

    IA - Intel­li­gence Arti­fi­cielle

    DR - Digi­tal Radio­gra­phy

    CR - Compu­ted Radio­gra­phy

    CNN - Convo­lu­tio­nal Neur­al Network

    RGB - Red Green Blue

    FOV - Field Of View

    Introduction

    Dans le cadre du Mas­ter 2 Ingé­nie­rie de la San­té, par­cours « Tech­no­lo­gies bio­mé­di­cales et Ter­ri­toires de san­té » de l'Université de Tech­no­lo­gie de Com­piègne, mon stage de fin d'études est effec­tué à l'équipe deprin pro­jet d'intelligence arti­fi­cielle dans le dépar­te­ment de recherche de l'entreprise Ray­co Medi­cal (filiale de Cares­tream Health), qui me per­met d'apprendre les connais­sances concer­nant les acti­vi­tés du dépar­te­ment de recherche dans une entre­prise de dis­po­si­tifs médi­caux et de mettre en pra­tique ce que j'ai acquises pen­dant mes études.

    Cares­tream Health est une entre­prise de dis­po­si­tifs médi­caux de renom­mée mon­diale, qui four­nit des sys­tèmes d'imagerie médi­cale et den­taire et leurs solu­tions infor­ma­tiques ain­si que des sys­tèmes d'imagerie par rayons X pour les contrôles non des­truc­tifs, et des maté­riaux avan­cés pour les mar­chés du film de pré­ci­sion et de l'électronique dans le monde entier. Avec plus d'un mil­lier de tech­no­lo­gies infor­ma­tiques et d'imagerie médi­cale et den­taire bre­ve­tées, l'entreprise se concentre sur l'innovation et le déve­lop­pe­ment tech­no­lo­giques et est un acteur influent dans le domaine de l'imagerie médi­cale [1].

    Ce pro­jet de stage a démar­ré en mars 2021 et a duré 6 mois. J'ai effec­tué mon stage dans l'équipe de pro­jet d'IA, au sein du dépar­te­ment de recherche de l'entreprise. Les recherches de l'équipe portent prin­ci­pa­le­ment sur l'apprentissage en pro­fon­deur en ima­ge­rie médi­cale, qui est appli­qué à l'intelligence arti­fi­cielle sur les dis­po­si­tifs d'imagerie médi­cale. Et l'étiquetage d'images est une étape impor­tante dans un pro­jet d'apprentissage en pro­fon­deur, où les images éti­que­tées peuvent être uti­li­sées comme des jeux de don­nées pour entraî­ner des modèles d'algorithme d'apprentissage en pro­fon­deur, ce qui est la base d'un pro­jet d'apprentissage en pro­fon­deur. Par consé­quent, mon stage consiste prin­ci­pa­le­ment à tra­vailler dans l'équipe de pro­jet d'IA sur l'étiquetage d'images, qui est impor­tant pour presque tous les pro­jets de l'équipe, ain­si que d'autres tâches quo­ti­diennes telles que la concep­tion et la réa­li­sa­tion des expé­riences sur la déter­mi­na­tion des para­mètres des équi­pe­ments des pro­jets et les tâches tem­po­raires sur la base de don­nées d'images médi­cales de l'équipe.

    Ce mémoire pré­sente l'objectif de l'étiquetage d'images dans cette équipe de pro­jet d'IA, les méthodes de mise en œuvre, les pro­blèmes éven­tuels et les amé­lio­ra­tions, ain­si que la mise en œuvre de cer­taines autres tâches quo­ti­diennes. Il vise à résu­mer une métho­do­lo­gie effi­cace pour l'étiquetage d'images basée sur le logi­ciel exis­tant et à expli­quer com­ment évi­ter cer­tains pro­blèmes fré­quents dans le pro­ces­sus, et à décrire les autres tâches quo­ti­diennes que j'ai fait dans l'équipe de pro­jet d'IA.

    1. Présentation de l'organisme

    1.1 Carestream

    1.1.1 Présentation

    Ray­co (Shan­ghai) Medi­cal Pro­ducts Com­pa­ny fait par­tie de Cares­tream Health. Dans le monde entier, Cares­tream Health four­nit des sys­tèmes d'imagerie médi­cale et den­taire et leurs solu­tions infor­ma­tiques ain­si que des sys­tèmes d'imagerie par rayons X pour les contrôles non des­truc­tifs, et des maté­riaux avan­cés pour les mar­chés du film de pré­ci­sion et de l'électronique. Cares­tream a son siège à Roches­ter, aux États-Unis, pos­sède des suc­cur­sales dans plus de 170 pays à tra­vers le monde et pos­sède plus de 1000 tech­no­lo­gies infor­ma­tiques et d'imagerie médi­cales et den­taires bre­ve­tées. L'entreprise a tou­jours été dans une posi­tion concur­ren­tielle avec une varié­té d'avancées tech­no­lo­giques en ima­ge­rie et en trai­te­ment médi­cal [1].

    Le pré­dé­ces­seur de Cares­tream est East­man Kodak Medi­cal Group, qui hérite de la fière his­toire d'innovation de Kodak et a accu­mu­lé de nom­breuses années d'expérience dans le domaine de l'imagerie médi­cale. L'équipe mon­diale de Cares­tream de plus de 6 000 employés dans envi­ron 150 pays par­tage tous un enga­ge­ment à dépas­ser les attentes des clients. Cet objec­tif par­ti­cu­lier com­mence par le lea­der­ship de Cares­tream qui ali­mente la crois­sance de l'entreprise en tenant sa pro­messe d'aider les clients à faire leur tra­vail mieux, plus rapi­de­ment et de manière plus ren­table [2]. Cares­tream a été acquise par Onex en 2007, qui est l'une des socié­tés d'investissement les plus impor­tantes et les plus pres­ti­gieuses au Cana­da. Les ventes de l'entreprise en 2015 ont atteint 2,141 mil­liards de dol­lars amé­ri­cains, se clas­sant au sixième rang mon­dial pour la part de mar­ché de l'imagerie médi­cale [3].

    Figure 1 : Le bâtiment de Carestream (source : auteur)

    Cares­tream pos­sède une exper­tise en radio­lo­gie, en san­té et en tech­no­lo­gies médi­cales et de l'information pour aider les pro­fes­sion­nels de la san­té à amé­lio­rer les soins aux patients tout en aug­men­tant la satis­fac­tion des méde­cins. L'entreprise dis­pose d'une équipe de vente et de ser­vice mon­diale, d'une plate-forme de pro­duits solide, d'une solide posi­tion sur le mar­ché et d'une marque répu­tée - s'engage à aider les pro­fes­sion­nels de la san­té à contrô­ler les coûts et à maxi­mi­ser les inves­tis­se­ments [2].

    L'environnement de tra­vail de l'entreprise est très confor­table, la pres­sion glo­bale n'est pas trop forte, l'atmosphère est rela­ti­ve­ment déten­due et cha­cun prend géné­ra­le­ment au sérieux les tâches qu'il doit finir. Dans cer­tains cas, les employés avec des tâches res­te­ront volon­tai­re­ment et tra­vaille­ront des heures sup­plé­men­taires pour accom­plir les tâches qu'ils devraient finir. En cas de forte pres­sion du pro­jet, presque tout le monde dans l'entreprise fera des heures sup­plé­men­taires. Cepen­dant, dans le temps rela­ti­ve­ment libre entre les pro­jets, l'entreprise orga­ni­se­ra éga­le­ment des acti­vi­tés de team buil­ding pour amé­lio­rer les rela­tions entre col­lègues et aug­men­ter la com­mu­ni­ca­tion, afin que cha­cun puisse être plus agréable dans la pas­sa­tion du tra­vail à l'avenir.

    1.1.2 Les valeurs

    L'entreprise mène ses propres acti­vi­tés com­mer­ciales sur la base de cinq valeurs.

    Par­ti­ci­per acti­ve­ment et plei­ne­ment autoriser

    L'entreprise est une équipe d'employés plei­ne­ment auto­ri­sés, actifs et unis, tra­vaillant pour réa­li­ser une vision com­mune. Les diri­geants s'engagent à créer un envi­ron­ne­ment où cha­cun est sou­te­nu, valo­ri­sé et apprécié.

    Le client d'abord, le ser­vice d'abord

    Ser­vir les clients est l'intention et la mis­sion ini­tiales de l'entreprise. Les entre­prises com­prennent leurs besoins et recherchent constam­ment des moyens inno­vants et signi­fi­ca­tifs pour dépas­ser leurs attentes et leur per­mettre de réussir.

    Agir de manière appro­priée et suivre les règles

    La socié­té s'engage à amé­lio­rer l'expérience client grâce à la confiance, au res­pect et à l'intégrité mutuels et à four­nir aux clients des pro­duits, des solu­tions et des ser­vices de la plus haute qua­li­té. L'entreprise réa­lise un déve­lop­pe­ment durable à long terme grâce à une inno­va­tion conti­nue, un pro­ces­sus effi­cace et des pra­tiques com­mer­ciales socia­le­ment res­pon­sables et conformes.

    Déci­sion rapide, action d'abord

    L'entreprise n'est pas pié­gée par les dogmes, elle prend des déci­sions rapides sur la base de don­nées, suit les règles et met tout en œuvre.

    Res­pec­ter les res­pon­sa­bi­li­tés et avoir le cou­rage d'assumer

    L'entreprise est res­pon­sable de ses actes et a la res­pon­sa­bi­li­té de tenir ses pro­messes. L'entreprise encou­rage l'aventure réflé­chie et apprend des échecs, car elle s'efforce de viser l'excellence dans tout ce qu'elle fait.

    1.1.3 Produits

    Cares­tream pro­pose les pro­duits sui­vants en ima­ge­rie médi­cale [4]:

    • Radio­gra­phie numé­rique ou Digi­tal Radio­gra­phy (DR)

    La gamme com­plète de détec­teurs DR, de radio­gra­phies mobiles, de salles de radio­gra­phie, de fluo­ro­sco­pie et de solu­tions de réno­va­tion DR de Cares­tream com­bine des com­po­sants com­pa­tibles et évo­lu­tifs pour répondre aux besoins d'aujourd'hui et posi­tion­ner les clients pour le déve­lop­pe­ment de demain.

    Figure 2 : Produit de Carestream : Radiographie numérique (source : [4])
    • Radio­gra­phie infor­ma­ti­sée ou Com­pu­ted Radio­gra­phy (CR)

    Les sys­tèmes CR de Cares­tream peuvent s'adapter aux petits cabi­nets pri­vés aux hôpi­taux et centres d'imagerie de taille moyenne. Com­pacts et fiables, les sys­tèmes CR de Cares­tream s'adaptent au bud­get du client et s'intègrent par­fai­te­ment à leur flux de travail.

    Figure 3 : Produit de Carestream : Radiographie informatisée (source : [4])
    • Logi­ciel

    Pro­pul­sé par Eclipse. Eclipse est le moteur qui pilote le logi­ciel d'imagerie CR et DR de Cares­tream. Eclipse uti­lise la tech­no­lo­gie d'IA et des algo­rithmes pro­prié­taires pour aug­men­ter consi­dé­ra­ble­ment la valeur de l'ensemble de la chaîne d'imagerie, de la cap­ture au diagnostic.

    Figure 4 : Produit de Carestream : Interface du logiciel d'imagerie (source : [4])
    • Sys­tème d'impression d'imagerie

    Les sys­tèmes d'imagerie laser DRYVIEW de Cares­tream offrent un por­te­feuille com­plet d'imagerie diag­nos­tique qui per­met de répondre faci­le­ment et à moindre coût aux besoins des clients actuels et futurs.

    Figure 5 : Produit de Carestream : Système d'impression d'imagerie (source : [4])
    • Film et pro­duit chimique

    Cares­tream pro­pose une large gamme d'offres de films et de pro­duits chi­miques allant de la radio­gra­phie géné­rale et de la mam­mo­gra­phie aux appli­ca­tions angio­gra­phiques, ortho­pé­diques et tho­ra­ciques, ain­si que des solu­tions de films pour la recherche en sciences de la vie.

    Figure 6 : Produit de Carestream : Film et produit chimique (source : [4])
    • Équi­pe­ment de pro­tec­tion individuelle

    Le CARESTREAM Shield aide à pro­té­ger les pro­fes­sion­nels de la san­té contre les aéro­sols de fluides cor­po­rels expul­sés de manière aiguë.

    Figure 7 : Produit de Carestream : Équipement de protection individuelle (source : [4])
    • Film den­taire

    Avec les films den­taires de Cares­tream, vous pou­vez avoir confiance en de superbes images de diag­nos­tic intra-orales et extra-orales rapi­de­ment, faci­le­ment et de manière fiable.

    Figure 8 : Produit de Carestream : Film dentaire (source : [4])

    1.2 Équipe de projet d'intelligence artificielle

    L'équipe de pro­jet d'IA où j'ai fait mon stage est une par­tie impor­tante du dépar­te­ment de recherche de l'entreprise. Les recherches de l'équipe portent prin­ci­pa­le­ment sur l'apprentissage en pro­fon­deur en ima­ge­rie médi­cale, qui est appli­qué à l'intelligence arti­fi­cielle pour les dis­po­si­tifs d'imagerie médi­cale, tels que la radio­gra­phie numé­rique. Mon tuteur, Mon­sieur Dex­ter est le chef de l'équipe, il est res­pon­sable de la pla­ni­fi­ca­tion du per­son­nel de l'équipe et de la répar­ti­tion des tra­vaux et de l'inspection de l'avancement du pro­jet. Chaque membre de l'équipe par­ti­cipe à au moins un pro­jet. En m'incluant, il y a actuel­le­ment trois sta­giaires dans l'équipe qui sont char­gés d'aider les employés régu­liers à faire cer­taines tâches au sein du pro­jet. Mon tra­vail prin­ci­pal dans l'équipe est l'étiquetage d'images, qui sera expli­quée en détail dans le pro­chain chapitre.

    En tant que prin­ci­pale direc­tion de recherche de l'équipe, l'apprentissage en pro­fon­deur est un algo­rithme d'apprentissage auto­ma­tique com­plexe qui peut apprendre les lois inté­rieures et les niveaux de repré­sen­ta­tion d'échantillons de don­nées. Dans le même temps, les infor­ma­tions obte­nues au cours du pro­ces­sus d'apprentissage sont d'une grande aide pour l'interprétation de don­nées telles que du texte, des images et des sons. Son objec­tif ultime est de per­mettre aux machines d'avoir la capa­ci­té d'analyser et d'apprendre comme les humains, et de recon­naître des don­nées telles que du texte, des images et des sons. Le modèle d'apprentissage en pro­fon­deur est entraî­né à l'aide d'un grand nombre de jeux de don­nées éti­que­tés et d'une archi­tec­ture de réseau neu­ro­nal conte­nant de nom­breuses couches [5].

    L'apprentissage en pro­fon­deur est un sous-ensemble de l'apprentissage auto­ma­tique en IA qui imite le fonc­tion­ne­ment du cer­veau humain dans le trai­te­ment des don­nées et la créa­tion de modèles à uti­li­ser dans la prise de déci­sion. Les modèles d'apprentissage en pro­fon­deur peuvent trai­ter des don­nées non struc­tu­rées et non éti­que­tées sans super­vi­sion humaine, qui est dif­fé­rent de l'apprentissage auto­ma­tique tra­di­tion­nel [6]. Les réseaux de neu­rones convo­lu­tifs (CNN) sont l'un des réseaux de neu­rones pro­fonds les plus popu­laires, qui conviennent par­fai­te­ment au trai­te­ment de don­nées bidi­men­sion­nelles (telles que des images), qui fonc­tionnent en extra­yant des carac­té­ris­tiques direc­te­ment de l'image [7].

    Figure 9 : Comparaison de l'apprentissage en profondeur et de l'apprentissage automatique (source : [8])

    1.2.1 Un projet en cours : Assistant d'invite de positionnement du patient en radiographie numérique

    C'est un pro­jet actuel­le­ment en cours par notre équipe de pro­jet, j'aide par­fois le por­teur de pro­jet à trai­ter des don­nées expé­ri­men­tales (sur Excel). Ce pro­jet implique un méca­nisme qui uti­lise la tech­no­lo­gie de trai­te­ment d'images à des fins médi­cales. L'apprentissage en pro­fon­deur est lar­ge­ment uti­li­sé dans ce projet.

    Étant don­né que l'application de sys­tèmes d'imagerie médi­cale tels que les sys­tèmes de radio­gra­phie numé­rique devient de plus en plus popu­laire, les sys­tèmes d'imagerie médi­cale sont deve­nus un outil impor­tant pour les tra­vailleurs médi­caux pour effec­tuer un diag­nos­tic [9]. Cepen­dant, la com­plexi­té des sys­tèmes d'imagerie médi­cale est de plus en plus éle­vée, et sa qua­li­té d'imagerie est étroi­te­ment liée au posi­tion­ne­ment du sys­tème et du patient. Par consé­quent, la qua­li­té d'imagerie du sys­tème dépend dans une large mesure de la qua­li­té des opé­ra­teurs du système.

    Afin que le sys­tème d'imagerie médi­cale obtienne une qua­li­té d'imagerie satis­fai­sante, l'opérateur du sys­tème d'imagerie médi­cale a besoin de rece­voir une for­ma­tion pro­fes­sion­nelle. De plus, les opé­ra­teurs ont éga­le­ment besoin de beau­coup de pra­tique pen­dant long­temps pour maî­tri­ser les spé­ci­fi­ca­tions d'exploitation du sys­tème d'imagerie médi­cale. Cepen­dant, même si les spé­ci­fi­ca­tions d'exploitation sont maî­tri­sées, les opé­ra­teurs doivent tou­jours main­te­nir un niveau de concen­tra­tion éle­vé lors des exa­mens médi­caux. Mais le tra­vail cli­nique à long terme amè­ne­ra l'opérateur à pro­duire des erreurs de fatigue inévi­tables. Dans cer­tains cas, même si l'opérateur a ter­mi­né le posi­tion­ne­ment cor­rect, lorsque l'opérateur quitte le patient pour l'opération sui­vante, le patient se déplace peut-être de manière inat­ten­due et pro­vo­quer une erreur de posi­tion­ne­ment. A ce moment, parce que l'opérateur est loin du patient, l'erreur n'est sou­vent pas détec­tée à temps. En pre­nant le sys­tème DR comme exemple, le posi­tion­ne­ment incor­rect du patient par l'opérateur amène par­fois le sys­tème à défi­nir des para­mètres d'exposition inap­pro­priés, et la qua­li­té d'image obte­nue peut être trop mau­vaise pour répondre aux exi­gences de diagnostic.

    Ce pro­jet vise à four­nir un méca­nisme qui per­met d'assister les acti­vi­tés médi­cales grâce à l'information de gui­dage pour évi­ter les pro­blèmes ci-des­sus le plus tôt pos­sible, afin de réduire la charge de tra­vail des opé­ra­teurs médi­caux. Plus pré­ci­sé­ment, ce pro­jet four­nit un sys­tème de gui­dage pour les dis­po­si­tifs d'imagerie médi­cale, qui comprend :

    • Un module d'acquisition d'images confi­gu­ré pour acqué­rir une image spa­tiale du dis­po­si­tif d'imagerie médi­cale et de l'objet qu'il vise ;
    • Un module de trai­te­ment d'informations confi­gu­ré pour extraire des infor­ma­tions carac­té­ris­tiques dans l'image spatiale ;
    • Un module de déter­mi­na­tion de posi­tion confi­gu­ré pour déter­mi­ner le posi­tion­ne­ment de l'objet en fonc­tion des infor­ma­tions caractéristiques ;
    • Un module de clas­si­fi­ca­tion confi­gu­ré pour clas­ser selon les infor­ma­tions caractéristiques ;
    • Et un module de pré­sen­ta­tion d'informations, qui est confi­gu­ré pour géné­rer et pré­sen­ter des infor­ma­tions de gui­dage selon le posi­tion­ne­ment et la classification.

    En somme, ce sys­tème per­met d'obtenir, de trai­ter et de tirer les infor­ma­tions carac­té­ris­tiques du posi­tion­ne­ment du patient, puis de géné­rer les infor­ma­tions de gui­dage et de les four­nir à l'opérateur du sys­tème d'imagerie médi­cale avant expo­si­tion pour évi­ter une mau­vaise qua­li­té d'image.

    2. Présentation des missions réalisées

    2.1 Étiquetage d'images

    L'étiquetage d'images est défi­ni comme la tâche d'annoter une image avec des éti­quettes, impli­quant géné­ra­le­ment un tra­vail manuel et, dans cer­tains cas, une aide assis­tée par ordi­na­teur. Les éti­quettes sont pré­dé­ter­mi­nées par les ingé­nieurs d'apprentissage en pro­fon­deur et sont pour don­ner au modèle de vision par ordi­na­teur des infor­ma­tions sur ce qui est affi­ché dans l'image. Le pro­ces­sus d'étiquetage des images aide éga­le­ment les ingé­nieurs en appren­tis­sage pro­fond à iden­ti­fier les fac­teurs impor­tants qui déter­minent la pré­ci­sion et l'exactitude glo­bales de leur modèle. Les exemples à consi­dé­rer incluent les éven­tuels pro­blèmes de nom­mage et de clas­si­fi­ca­tion, com­ment repré­sen­ter les objets occlus, com­ment trai­ter les par­ties de l'image qui sont mécon­nais­sables, etc [10].

    Pour l'étiquetage d'images tra­di­tion­nel, les ingé­nieurs appliquent une série d'étiquettes en appli­quant des cadres de déli­mi­ta­tion aux objets connexes, afin d'étiqueter l'image (voir Figure 10). Dans ce cas, les pié­tons sont mar­qués en bleu, les taxis sont mar­qués en jaune et les camions sont mar­qués en jaune. Ce pro­ces­sus est ensuite répé­té sur dif­fé­rentes images et en fonc­tion du cas d'utilisation com­mer­ciale et du pro­jet, la quan­ti­té d'étiquettes sur chaque image peut varier. Cer­tains pro­jets n'ont besoin que d'une seule éti­quette pour pré­sen­ter le conte­nu d'une image entière (par exemple, la clas­si­fi­ca­tion des images). D'autres pro­jets peuvent exi­ger que plu­sieurs objets soient éti­que­tés dans une seule image, chaque objet avec une éti­quette dif­fé­rente [10].

    Figure 10 : Étiquetage d'images : Cadres de délimitation appliqués pour identifier les types de véhicules et les piétons (source : [10])

    L'étiquetage d'images est actuel­le­ment très deman­dé en rai­son du déve­lop­pe­ment rapide et de l'utilisation géné­ra­li­sée de l'IA et de l'apprentissage auto­ma­tique. Les déve­lop­pe­ments dans ces domaines ont conduit à éti­que­ter de plus en plus d'images. La vision par ordi­na­teur des modèles d'apprentissage en pro­fon­deur et d'apprentissage auto­ma­tique per­met de visua­li­ser dif­fé­rents objets à tra­vers des vidéos et des images, c'est pour­quoi il est pré­fé­rable de les éti­que­ter avec des tech­niques spé­ciales, et si c'est réa­li­sé à grande échelle, elles peuvent être uti­li­sées comme don­nées pour un appren­tis­sage ulté­rieur du modèle [11].

    L'une des prin­ci­pales uti­li­sa­tions des images éti­que­tées est d'entraîner dif­fé­rents algo­rithmes d'apprentissage en pro­fon­deur et d'apprentissage auto­ma­tique à tra­vers elles, ce qui aide à son tour les machines à apprendre les dif­fé­rents modèles et à les sto­cker dans sa mémoire vir­tuelle. Ces images éti­que­tées sont ensuite asso­ciées entre elles via le modèle d'algorithme et uti­li­sées pour iden­ti­fier dif­fé­rentes situa­tions réelles et ana­ly­ser la simi­li­tude de ces don­nées. Pour cette rai­son, la plu­part des tra­vaux effec­tués se font à tra­vers des outils de l'étiquetage d'images en ligne [11].

    L'étiquetage des don­nées est une étape essen­tielle dans une tâche d'apprentissage en pro­fon­deur. La qua­li­té des don­nées d'apprentissage déter­mine la qua­li­té du modèle. Il en va de même pour l'étiquetage d'images, le résul­tat du modèle dépend des éti­quettes que nous ali­men­tons lors de sa phase d'apprentissage. L'étiquetage des don­nées est une tâche qui néces­site beau­coup de tra­vail manuel. Dans la plu­part des cas, il est dif­fi­cile de trou­ver un jeu de don­nées ouvert appro­prié pour le pro­jet, les ingé­nieurs devront donc faire eux-mêmes le pro­ces­sus d'étiquetage des don­nées [12].

    Les pro­jets d'étiquetage d'images com­mencent par iden­ti­fier et deman­der aux anno­ta­teurs d'effectuer les tâches d'annotation. Les anno­ta­teurs doivent être par­fai­te­ment for­més sur les spé­ci­fi­ca­tions et les direc­tives de chaque pro­jet d'étiquetage, car chaque entre­prise a des exi­gences dif­fé­rentes. Une fois que les anno­ta­teurs sont for­més à l'étiquetage des don­nées, ils com­men­ce­ront à éti­que­ter de nom­breuses images sur une pla­te­forme de don­nées d'entraînement dédiée à l'étiquetage d'images. L'étiquetage est en effet un pro­ces­sus qui prend beau­coup de temps, mais plus les ingé­nieurs se consacrent à l'étiquetage d'images, plus leur modèle peut être pré­cis. Une pla­te­forme de don­nées d'entraînement est un logi­ciel conçu pour four­nir tous les outils néces­saires pour le type d'étiquetage sou­hai­té, et est géné­ra­le­ment équi­pé de plu­sieurs outils qui per­mettent aux anno­ta­teurs de décrire des formes com­plexes pour l'étiquetage d'images [13].

    Les besoins de chaque entre­prise en éti­que­tage d'images sont modi­fiés en fonc­tion des pro­duits d'apprentissage en pro­fon­deur qu'elle sou­haite lan­cer. Dans Cares­tream, l'étiquetage d'images dont je suis res­pon­sable dans notre équipe de pro­jet concerne les images radio­gra­phiques tho­ra­ciques, pour éti­que­ter les zones des pou­mons, de l'omoplate, de la cla­vi­cule, de la ligne de la peau et des douze ver­tèbres thoraciques.

    Logi­ciel utilisé

    Le logi­ciel d'étiquetage d'images uti­li­sé par notre entre­prise est « COCO Anno­ta­tor », qui est très simple, rapide et effi­cace. L'image éti­que­tée est auto­ma­ti­que­ment sto­ckée dans le dos­sier pré­dé­fi­ni au for­mat « png » pour une visua­li­sa­tion facile.

    Figure 11 : Le logiciel d'étiquetage d'images utilisé par Carestream : COCO Annotator (source : auteur)

    Pour lan­cer l'étiquetage d'images, l'utilisateur doit d'abord défi­nir la caté­go­rie de éti­quettes d'image : esto­mac, omo­plate, cla­vi­cule, ligne de peau, pre­mière ver­tèbre tho­ra­cique à dou­zième ver­tèbre tho­ra­cique et l'ensemble des ver­tèbres tho­ra­ciques. Une fois que les caté­go­ries d'étiquette sont défi­nies, ces caté­go­ries peuvent être uti­li­sées direc­te­ment par l'utilisateur lorsque l'image est étiquetée.

    Figure 12 : COCO Annotator : Créer des catégories (source : auteur)

    Ensuite, l'utilisateur doit créer un jeu de don­nées, qui génère éga­le­ment auto­ma­ti­que­ment un dos­sier pour sto­cker les images éti­que­tées, et ajou­ter la caté­go­rie d'étiquette d'images requise au jeu de don­nées. Une fois que le jeu de don­nées est défi­ni, il appa­raît direc­te­ment sur l'interface du logi­ciel, puis l'utilisateur peut ajou­ter des images non éti­que­tées au dos­sier géné­ré auto­ma­ti­que­ment, en consé­quence, ces images appa­raissent éga­le­ment direc­te­ment dans le jeu de don­nées du logi­ciel. L'utilisateur n'a qu'à cli­quer sur le jeu de don­nées créé pour sélec­tion­ner l'image et lan­cer l'étiquetage de l'image.

    Figure 13 : COCO Annotator : Créer et configurer un jeu de données (source : auteur)

    Lors de l'étiquetage d'images, beau­coup de bou­tons de fonc­tion sont fré­quem­ment uti­li­sés (voir l'encadré rouge de la figure 14). Par exemple, le bou­ton crayon est uti­li­sé pour des­si­ner le contour de l'étiquette, une fois qu'une figure fer­mée est for­mée, la zone d'étiquette sera auto­ma­ti­que­ment for­mée. Le bou­ton gomme peut effa­cer la mau­vaise zone d'étiquette. Le bou­ton main verte per­met d'ajuster la forme de la zone d'étiquette en éti­rant. Le bou­ton enre­gis­trer per­met d'enregistrer l'image incom­plè­te­ment éti­que­tée de l'utilisateur en temps réel. Toutes les caté­go­ries d'étiquettes ajou­tées sont affi­chées sur le côté droit de l'interface. Cli­quez sur le signe plus sur le côté droit de la caté­go­rie d'étiquettes pour com­men­cer l'étiquetage de cette catégorie.

    Figure 14 : COCO Annotator : Interface d'opération d'étiquetage d'images (source : auteur)

    Pou­mon

    Le contour des pou­mons peut être approxi­ma­ti­ve­ment éti­que­té en fonc­tion de l'ombre de l'air dans les pou­mons. Cepen­dant sur l'image radio­gra­phique, étant don­né que le cœur et la colonne ver­té­brale couvrent une par­tie de la zone des pou­mons, une par­tie du contour des pou­mons ne peut pas être vue clai­re­ment, il est donc néces­saire de pré­dire de manière appro­priée le contour d'une par­tie des pou­mons pour faire l'étiquette ter­mi­née. Il convient de noter que par­fois l'ombre de l'air dans l'estomac est trop proche de l'extrémité infé­rieure des pou­mons, ce qui brouille le juge­ment de l'utilisateur sur le contour des poumons.

    Figure 15 : Étiquetage d'images de poumons (source : auteur)

    Omo­plate

    Le contour de l'étiquette est déter­mi­né en fonc­tion de la dif­fé­rence de cou­leur entre les os et les tis­sus envi­ron­nants sur l'image radio­gra­phique et la posi­tion ana­to­mique de l'omoplate. L'étiquetage d'omoplate doit être très pru­dent, car par­fois l'extrémité supé­rieure de l'omoplate est mélan­gée à d'autres os et il est dif­fi­cile de la dis­tin­guer. Cepen­dant, les omo­plates des deux côtés d'une per­sonne sont géné­ra­le­ment symé­triques et les côtés gauche et droit peuvent être com­pa­rés pour aider à déter­mi­ner le contour de l'étiquette.

    Figure 16 : Étiquetage d'images d'omoplate (source : auteur)

    Cla­vi­cule

    La cla­vi­cule est géné­ra­le­ment plus visible sur l'image radio­gra­phique, et sa posi­tion et sa forme sont rela­ti­ve­ment fixes. Il n'est pas dif­fi­cile de déter­mi­ner son contour de l'étiquette en fonc­tion de la dif­fé­rence de cou­leur entre les os et les tis­sus envi­ron­nants. Mais par­fois, l'intérieur de la cla­vi­cule est confon­du avec la jonc­tion des côtes et des ver­tèbres, et le prin­cipe de symé­trie s'applique éga­le­ment à ce cas.

    Figure 17 : Étiquetage d'images de la clavicule (source : auteur)

    Ligne de peau

    Le contour de l'étiquette de la ligne de peau est déter­mi­né en fonc­tion de la zone de cou­ver­ture de la peau, ce qui signi­fie que la majeure par­tie de la zone de l'image radio­gra­phique tho­ra­cique se situe dans le contour de la ligne de peau. Il convient de noter que par­fois la ligne de peau près du cou et des épaules est un peu floue, doit donc être pru­dem­ment distinguée.

    Figure 18 : Étiquetage d'images de la ligne de peau (source : auteur)

    Douze ver­tèbres thoraciques

    Le contour de l'étiquette des douze ver­tèbres tho­ra­ciques est déter­mi­né en fonc­tion de la posi­tion ana­to­mique de chaque ver­tèbre tho­ra­cique et le contour exté­rieur glo­bal des douze ver­tèbres tho­ra­ciques doit éga­le­ment être éti­que­té. Par­fois, le contour des espaces entre les ver­tèbres tho­ra­ciques est flou, dans ce cas, la posi­tion des côtes peut aider à juger de la posi­tion et du contour des ver­tèbres tho­ra­ciques, car les côtes et les ver­tèbres tho­ra­ciques sont en cor­res­pon­dance un à un.

    Figure 19 : Étiquetage d'images des douze vertèbres thoraciques (source : auteur)

    2.2 Concevoir et mener des expériences

    Étant don­né que dans la mise en œuvre de cer­tains pro­jets, une camé­ra dédiée à la prise de vue d'images de pro­fon­deur est néces­saire, et ces images RGB et images de pro­fon­deur doivent être uti­li­sées pour débo­guer le modèle d'apprentissage en pro­fon­deur. De plus, il existe sou­vent des écarts entre les para­mètres d'usine et les para­mètres réels dans ce type de camé­ra. Afin que ces écarts n'affectent pas l'avancement des pro­jets, cer­tains para­mètres réels de ce type de camé­ra, tels que le champ de vision et la dévia­tion d'alignement en pro­fon­deur, doivent être déter­mi­nés par des expériences.

    Champ de vision

    Le champ de vision défi­nit la zone maxi­male de l'échantillon que la camé­ra peut ima­ger. La taille de l'angle de champ déter­mine le champ de vision de l'instrument optique, plus l'angle de champ est grand, plus le champ de vision est grand [14]. Dans cette expé­rience, l'expérimentateur doit mesu­rer les angles de champ hori­zon­taux et ver­ti­caux. En mesu­rant la dis­tance « a » et la dis­tance « b » dans l'environnement réel (voir Figure 20), puis en uti­li­sant la fonc­tion tri­go­no­mé­trique inverse, la valeur de l'angle de champ est obte­nue. Il faut effec­tuer 5 séries d'expériences dans des dif­fé­rents envi­ron­ne­ments, ensuite cal­cu­ler les angles de champ sépa­ré­ment et prendre la valeur moyenne comme résul­tat final.

    Figure 20 : Principe de la mesure de l'angle de champ (source : auteur)

    Dévia­tion d'alignement en profondeur

    La camé­ra de pro­fon­deur prend l'image RGB et l'image de pro­fon­deur de la scène actuelle en même temps avec une seule expo­si­tion, mais en géné­ral, la posi­tion de chaque pixel d'entre eux n'est pas un à un. C'est-à-dire il existe un écart entre la coor­don­née d'un pixel sur l'image RGB et sa coor­don­née sur l'image de pro­fon­deur., qui est la dévia­tion d'alignement en pro­fon­deur à ana­ly­ser dans cette expérience.

    L'expérimentateur fixe d'abord le plan cible, puis déplace la camé­ra pour le fixer à trois dis­tances du plan cible (1m, 1,5m, 2m), ensuite prend et enre­gistre l'image RGB et l'image de pro­fon­deur du plan cible à cette dis­tance. Trois points carac­té­ris­tiques faci­le­ment recon­nais­sables doivent être déter­mi­nés sur l'image, tels que des coins de mur ou des coins de table, puis le logi­ciel « Ima­geJ » est uti­li­sé pour cal­cu­ler le nombre de pixels (dis­tance de la coor­don­née) entre les mêmes points carac­té­ris­tiques sur les deux types d'images. L'expérience doit être répé­tée 5 fois à chaque dis­tance, et la dévia­tion d'alignement en pro­fon­deur de chaque point carac­té­ris­tique doit être moyen­née et son écart-type doit être calculé.

    Figure 21 : Processus expérimental et présentation des résultats de déviation d'alignement en profondeur (source : auteur)

    En conclure, la per­for­mance d'alignement en pro­fon­deur de ce type de camé­ra est bonne : en géné­ral, le même point carac­té­ris­tique dans l'image RGB et l'image de pro­fon­deur n'est qu'à moins de 5 pixels l'un de l'autre. La sélec­tion du troi­sième point carac­té­ris­tique (la colonne jaune dans la figure 21) est trop proche du verre, l'image de pro­fon­deur prise par la camé­ra est donc inter­fé­rée, par consé­quent, sa dévia­tion d'alignement en pro­fon­deur est grande, mais ce genre de situa­tion n'est pas représentatif.

    2.3 Autres tâches temporaires

    L'organisation de la base de don­nées d'images médi­cales de l'équipe de pro­jet est une série de tâches impor­tantes. Étant don­né qu'au cours du pro­jet, un grand nombre d'images médi­cales sont néces­saires pour entraî­ner les modèles d'apprentissage en pro­fon­deur. L'équipe de pro­jet doit donc affec­ter régu­liè­re­ment du per­son­nel aux hôpi­taux qui coopèrent avec l'entreprise pour col­lec­ter des images radio­gra­phiques d'une posi­tion spé­ci­fique du corps humain et recueillir des infor­ma­tions connexes sur ces images, afin de com­plé­ter la base de don­nées d'images médi­cales. Cepen­dant, les images médi­cales col­lec­tées aux hôpi­taux sont tou­jours désor­don­nées et inuti­li­sables, il est donc néces­saire d'organiser ces images médi­cales et d'enregistrer leurs infor­ma­tions connexes, puis de les inté­grer dans la base de don­nées d'images médi­cales de l'équipe de projet.

    La base de don­nées est une col­lec­tion d'informations orga­ni­sées qui peuvent être faci­le­ment acces­sibles, gérées et mises à jour. Le sys­tème de base de don­nées est très impor­tant pour l'équipe de pro­jet car il stocke toutes les images médi­cales et les infor­ma­tions connexes uti­li­sées par l'équipe de pro­jet, et pré­sente ces infor­ma­tions à tous les membres de l'équipe de pro­jet de manière claire et orga­ni­sée [15].

    Ces tâches sont tou­jours effec­tuées sur Excel. Chaque image radio­gra­phique a un numé­ro d'identification spé­ci­fique et unique, et le numé­ro d'identification de chaque image radio­gra­phique doit être asso­cié aux infor­ma­tions connexes de cette image, telles que le numé­ro du patient, son âge, son sexe et sa pos­ture prise, etc. Et ces infor­ma­tions doivent être enre­gis­trées dans le fichier Excel pour consul­ter. En même temps, ces images médi­cales sont clas­sées en fonc­tion de la posi­tion de prise de vue, de la date de prise de vue et de l'hôpital d'où elles pro­viennent, et télé­char­gées vers l'emplacement pré­dé­fi­ni sur le ser­veur de l'équipe de pro­jet, afin que les membres de l'équipe de pro­jet puissent les uti­li­ser quand ils en ont besoin.

    3. Analyse et évaluation d'étiquetage d'images

    Étant don­né que l'étiquetage d'images est uti­li­sé pour entraî­ner des modèles d'apprentissage en pro­fon­deur asso­ciés au pro­jet et que la qua­li­té des modèles dépend géné­ra­le­ment de la qua­li­té des éti­quettes d'images, les éti­quettes d'images doivent cor­res­pondre le plus pré­ci­sé­ment pos­sible à la zone réelle de l'organe sur l'image radio­gra­phique, afin de per­mettre au modèle d'apprentissage en pro­fon­deur de fonc­tion­ner nor­ma­le­ment dans le projet.

    Cepen­dant, l'étiquetage d'images est un tra­vail manuel qui néces­site beau­coup de temps et d'énergie, et beau­coup d'images doivent être éti­que­tées ain­si que chaque image est dif­fé­rente, il est donc inévi­table que les éti­quettes d'image soient inexactes. De légères ou de petites inexac­ti­tudes n'affectent géné­ra­le­ment pas la qua­li­té du modèle d'apprentissage en pro­fon­deur, mais un désa­li­gne­ment grave ou de grandes inexac­ti­tudes affectent la qua­li­té du modèle. Donc, tant qu'il n'y a pas de pro­blème avec la qua­li­té du modèle entraî­né, la qua­li­té de l'étiquetage d'images est consi­dé­rée comme qua­li­fiée, mais cette exi­gence n'est sou­vent pas si facile à satis­faire. Par consé­quent, afin de garan­tir l'exactitude de l'étiquetage d'images, il est néces­saire de se véri­fier mutuel­le­ment avec un autre ingé­nieur qui effec­tue aus­si l'étiquetage d'images dans l'équipe pour éli­mi­ner les erreurs évi­dentes sur l'étiquette de l'image. S'il y a mal­heu­reu­se­ment des pro­blèmes avec le modèle d'apprentissage en pro­fon­deur entraî­né, les ingé­nieurs algo­rith­miques de l'équipe trou­ve­ront ces pro­blèmes et nous lais­se­ront trou­ver les images mal éti­que­tées, puis deman­de­ront à des experts médi­caux de rééti­que­ter ces images avec nous.

    Géné­ra­le­ment, les pro­blèmes sui­vants se pro­duisent dans l'étiquetage d'images :

    Désa­li­gne­ment du contour du squelette

    Ce type de pro­blème appa­raît géné­ra­le­ment dans l'étiquetage de l'omoplate et de la cla­vi­cule. Étant don­né que la réso­lu­tion de cer­taines images radio­gra­phiques n'est pas très bonne, une par­tie du contour de l'omoplate est confon­due avec les envi­rons et dif­fi­cile à dis­tin­guer, ce qui entraîne un désa­li­gne­ment de l'étiquette. Et par­fois, le contour de la moi­tié supé­rieure de l'omoplate che­vauche la cla­vi­cule ou les côtes, ce qui aggrave ce pro­blème (voir Figure 22).

    En concer­nant la cla­vi­cule, par­fois, le contour de l'intérieur de la cla­vi­cule che­vauche par­tiel­le­ment la jonc­tion des côtes et des ver­tèbres, ce qui la rend dif­fi­cile à dis­tin­guer (voir Figure 23).

    Figure 22 : Exemple de difficultés à distinguer le contour de l'omoplate (source : auteur)
    Figure 23 : Exemple de difficultés à distinguer le contour de la clavicule (source : auteur)

    Il existe les solu­tions sui­vantes pour évi­ter autant que pos­sible ces problèmes :

    • Avec la colonne ver­té­brale comme ligne médiane, la cla­vi­cule et l'omoplate sont symé­triques. Cette symé­trie peut être uti­li­sé pour com­pa­rer la gauche et la droite de la cla­vi­cule et l'omoplate. Par­fois, le contour de gauche est dif­fi­cile à dis­tin­guer, mais le contour de droite est rela­ti­ve­ment clair.
    • Lorsque le contour est dif­fi­cile à dis­tin­guer, un moni­teur d'imagerie médi­cale à plus haute réso­lu­tion peut être uti­li­sé pour l'observation. Mais il faut faire atten­tion à la fré­quence d'utilisation, car d'autres per­sonnes de l'équipe de pro­jet en ont éga­le­ment besoin.
    • Dans l'interface d'étiquetage du logi­ciel, l'image fait l'objet de plu­sieurs zooms avant et arrière pour per­mettre à l'œil de voir plus clai­re­ment les limites du contour.
    • Si néces­saire, il est pos­sible de deman­der l'aide d'experts médi­caux au sein de l'équipe de projet.

    Désa­li­gne­ment du contour des organes

    Ce type de pro­blème se pro­duit géné­ra­le­ment dans l'étiquetage de la ligne de peau et des pou­mons, en par­ti­cu­lier la ligne de peau. La réso­lu­tion de l'image radio­gra­phique est par­ti­cu­liè­re­ment impor­tante dans l'étiquetage de la ligne de peau, car même si la réso­lu­tion de l'image est nor­male, le contour de la ligne de peau n'est par­fois pas trop clair. De plus, la réso­lu­tion de cer­taines images est faible et l'étiquetage de la ligne de peau est très dif­fi­cile dans ce cas. Par consé­quent, lors de l'étiquetage de la ligne de peau, il est géné­ra­le­ment néces­saire de deman­der l'utilisation d'un moni­teur d'imagerie médi­cale haute réso­lu­tion et, si néces­saire, de deman­der l'aide d'experts médi­caux plus expérimentés.

    En ce qui concerne l'étiquetage des pou­mons, il y a par­fois des ombres dans l'estomac sous les pou­mons (voir Figure 24), ce qui affecte l'étiquetage du contour des pou­mons. Cepen­dant, il y a géné­ra­le­ment un cer­tain espace entre les pou­mons et l'estomac qui peut être vu sur l'image, il est donc peu pro­bable que de tels pro­blèmes se produisent.

    Figure 24 : Exemple des ombres dans l'estomac affectant l'étiquetage des poumons (source : auteur)

    Désa­li­gne­ment des ver­tèbres thoraciques

    Par­fois, la pre­mière ver­tèbre tho­ra­cique est man­quée et la deuxième est donc confon­due avec la pre­mière, dépla­çant la posi­tion de toutes les ver­tèbres tho­ra­ciques vers le bas, et la pre­mière ver­tèbre lom­baire est éga­le­ment confon­due avec la dou­zième ver­tèbre tho­ra­cique. Ce type de pro­blème est une erreur de niveau rela­ti­ve­ment faible qui peut être faci­le­ment trou­vée lors d'une véri­fi­ca­tion mutuelle. Comme la pre­mière ver­tèbre tho­ra­cique a ses carac­té­ris­tiques cor­res­pon­dantes et qu'elle est atta­chée à la pre­mière côte, ce type de pro­blème a donc peu de chances de se pro­duire, à condi­tion de regar­der atten­ti­ve­ment et de gar­der l'esprit clair.

    Apport du stage

    Cares­tream est une entre­prise de dis­po­si­tifs médi­caux de renom­mée mon­diale, plei­ne­ment pré­sente dans le domaine de l'imagerie médi­cale et des tech­no­lo­gies infor­ma­tiques. Je suis très hono­ré de pou­voir effec­tuer mon stage de fin d'études ici. C'est aus­si ma pre­mière expé­rience pro­fes­sion­nelle, et elle m'a per­mis d'orienter ma car­rière. Grâce à ce stage, j'ai acquis un bon aper­çu du sec­teur des dis­po­si­tifs médi­caux en Chine et j'ai appris quelles sont les savoirs-faire et les com­pé­tences dont j'ai encore besoin pour pou­voir tra­vailler dans une entre­prise de dis­po­si­tifs médicaux.

    Au cours de mon stage, j'ai appris des connais­sances de base sur l'IA et l'apprentissage en pro­fon­deur, et j'ai plei­ne­ment maî­tri­sé la com­pé­tence d'étiquetage d'images, de même que j'ai acquis une com­pré­hen­sion plus pra­tique des dis­po­si­tifs médi­caux de l'entreprise et des dis­po­si­tifs médi­caux pré­sents sur le mar­ché, tels que les sys­tèmes d'imagerie à rayons X. En aidant mes col­lègues à réa­li­ser leurs pro­jets d'ingénierie, j'ai appris beau­coup de com­pé­tences en ges­tion de pro­jet dans des situa­tions pra­tiques et j'ai com­pris la dif­fé­rence entre les pro­jets d'ingénierie dans les entre­prises et les pro­jets aca­dé­miques dans les uni­ver­si­tés. J'ai éga­le­ment appris à com­mu­ni­quer effi­ca­ce­ment avec les autres membres d'une équipe de pro­jet et à amé­lio­rer l'efficacité de l'équipe en s'entraidant.

    Mais je recon­nais aus­si mon manque de connais­sances en pro­gram­ma­tion, comme Python et C++, deux des lan­gages les plus impor­tants dans le déve­lop­pe­ment de dis­po­si­tifs médi­caux. Et je devrais être plus auda­cieux et proac­tif pour deman­der l'aide de l'équipe lorsque je ne peux pas résoudre un pro­blème par moi-même.

    Bien que les défis et les pro­blèmes ren­con­trés dans un envi­ron­ne­ment pro­fes­sion­nel soient plus pra­tiques et plus variés, toutes les connais­sances acquises dans la for­ma­tion en ingé­nie­rie de la san­té à l'UTC m'ont don­né la confiance néces­saire pour pou­voir les gérer. En par­ti­cu­lier, les connais­sances de base sur les dis­po­si­tifs médi­caux, la phy­sio­lo­gie des sys­tèmes et l'imagerie médi­cale m'ont beau­coup aidé à com­prendre et à mettre en œuvre le conte­nu de mon travail.

    Après ce stage, je devrai conti­nuer à acqué­rir des connais­sances connexes en pro­gram­ma­tion, puis cher­cher un emploi en recherche et déve­lop­pe­ment dans une entre­prise de dis­po­si­tifs médi­caux. Cepen­dant, je suis éga­le­ment inté­res­sé par des emplois dans les domaines de la vente, des affaires régle­men­taires et de la ges­tion de la qua­li­té et je suis très impa­tient de com­men­cer une nou­velle aventure.

    Dans l'ensemble, je suis très recon­nais­sant pour tout ce que j'ai appris et ren­con­tré ici, et pour une équipe de pro­jet aus­si unie et efficace.

    Conclusion

    L'apprentissage en pro­fon­deur est un algo­rithme d'apprentissage auto­ma­tique plus com­plexe, et les modèles d'apprentissage en pro­fon­deur entraî­nés sur un grand nombre de jeux de don­nées éti­que­tés sont lar­ge­ment uti­li­sés dans l'intelligence arti­fi­cielle des dis­po­si­tifs médi­caux d'aujourd'hui, comme la recon­nais­sance d'images et le diag­nos­tic assis­té. L'étiquetage d'images est une étape impor­tante de la tâche d'apprentissage en pro­fon­deur. Il s'agit essen­tiel­le­ment d'annoter des don­nées d'image avec des éti­quettes, géné­ra­le­ment mise en œuvre par des logi­ciels en ligne. Les images éti­que­tées sont uti­li­sées comme des jeux de don­nées par l'équipe de pro­jet pour entraî­ner des modèles d'apprentissage en pro­fon­deur. La qua­li­té de l'étiquetage d'images déter­mine donc la qua­li­té des modèles d'apprentissage en pro­fon­deur asso­ciés au pro­jet. Afin d'assurer la qua­li­té de l'étiquetage d'images, les solu­tions sui­vantes sont géné­ra­le­ment mises en place :

    • Com­pa­rai­son gauche-droite en uti­li­sant la symé­trie du sque­lette humain 
    • Obser­va­tion avec un moni­teur d'imagerie médi­cale à plus haute résolution 
    • Zoo­mer et dézoo­mer de façon répé­tée sur les images pour per­mettre à l'œil de voir plus clai­re­ment les limites du contour 
    • Deman­der l'aide d'experts médi­caux au sein de l'équipe de projet

    En même temps, au sein de l'équipe de pro­jet d'IA, des expé­riences fré­quentes sont néces­saires pour tes­ter les para­mètres des équi­pe­ments ou pour véri­fier les conclu­sions à court terme. Il est éga­le­ment impor­tant que la base de don­nées d'images soit cor­rec­te­ment com­plé­tée et gérée, ce qui aug­mente la tra­ça­bi­li­té des don­nées et amé­liore consi­dé­ra­ble­ment l'efficacité de l'équipe de projet.

    Références Bibliographiques

    [1]          « Carestream Medical and Dental Imaging Systems and Healthcare Information Technology », Carestream. https://www.carestream.com/zh/tw/ (consulté le août 26, 2021).

    [2]          « A Customer-Focused Company », Carestream. https://www.carestream.com/en/us/company (consulté le août 26, 2021).

    [3]          « Exclusive - Onex explores breaking up Carestream Health in sale : sources », Reuters, mai 19, 2016. https://www.reuters.com/article/uk-carestreamhealth-m-a-idUKKCN0Y92V7 (consulté le août 26, 2021).

    [4]          « Medical Imaging | Healthcare Information Technology », Carestream. https://www.carestream.com/en/us/medical (consulté le août 26, 2021).

    [5]          « What is Deep Learning ? », Machine Learning Mastery, août 16, 2019. https://machinelearningmastery.com/what-is-deep-learning/ (consulté le août 26, 2021).

    [6]          « Deep Learning », IBM Cloud Education, mai 01, 2020. https://www.ibm.com/cloud/learn/deep-learning (consulté le août 26, 2021).

    [7]          S. Saha, « A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way », Towards Data Science, déc. 16, 2018. https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53 (consulté le août 26, 2021).

    [8]          « Deep Learning : 3 choses à savoir », MathWorks. https://fr.mathworks.com/discovery/deep-learning.html (consulté le août 26, 2021).

    [9]          « Digital radiography », International Atomic Energy Agency. https://www.iaea.org/resources/rpop/health-professionals/radiology/radiography/digital-radiography (consulté le août 26, 2021).

    [10]       « Introduction to Image Annotation for Machine Learning and AI », Labelbox. https://labelbox.com/image-annotation-overview (consulté le août 26, 2021).

    [11]       « 15 Best Annotation Tools in 2021 », Folio3AI, janv. 21, 2021. https://www.folio3.ai/blog/labelling-images-annotation-tool/ (consulté le août 26, 2021).

    [12]       S. Pokhrel, « Image Data Labelling and Annotation — Everything you need to know », Towards Data Science, mars 11, 2020. https://towardsdatascience.com/image-data-labelling-and-annotation-everything-you-need-to-know-86ede6c684b1 (consulté le août 26, 2021).

    [13]       P. Saxena, « How to Label Images for Object Detection, Step by Step », Towards Data Science, sept. 07, 2020. https://towardsdatascience.com/how-to-label-images-for-object-detection-step-by-step-7ee317f98583 (consulté le août 26, 2021).

    [14]       « Field of View and Angular Field of View », Teledyne Princeton Instruments. https://www.princetoninstruments.com/learn/camera-fundamentals/field-of-view-and-angular-field-of-view (consulté le août 26, 2021).

    [15]       « Importance Of Data In Your Business », Rikvin - Singapore Company Registration Specialists. https://www.rikvin.com/blog/why-data-is-important-to-a-business-performance/ (consulté le août 26, 2021).

    Annexes

    Annexe 1 Calendrier du projet de stage

    Annexe 2 Environnement du laboratoire de l'équipe de projet

    searchhomearrow-circle-left