Auteur

Contacts

• ZHANG Bin :

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

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).

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