Search engine for discovering works of Art, research articles, and books related to Art and Culture
ShareThis
Javascript must be enabled to continue!

Representation learning of multimodal and longitudinal data for renal transplantation monitoring

View through CrossRef
Apprentissage de représentations de données multimodales et longitudinales pour le suivi de la transplantation rénale L'intelligence artificielle (IA) a révolutionné la recherche en vision par ordinateur il y a une décennie. Depuis lors, les algorithmes d'IA ont démontré une pléthore d'études remarquables et d'approches à la pointe de l'état de l'art pour de nombreuses applications, notamment l'analyse d'imagerie médicale. L'objectif de cette thèse est d'explorer les récentes avancées en apprentissage automatique, en mettant l'accent sur les approches d'apprentissage profond, afin de concevoir des algorithmes pour le diagnostic basé sur l'imagerie médicale. En particulier, des méthodologies innovantes exploitant des techniques d'auto-supervision et des approches multimodales sont développées pour générer des prédicteurs robustes capables d'associer les caractéristiques de l'imagerie à la progression du patient. Ces méthodologies sont employés pour une application clinique spécifique, le suivi de patients ayant subit une transplantation rénale.La transplantation rénale apparait comme la solution la plus efficace pour l'insuffisance rénale en phase terminale. Cependant, plusieurs mécanismes, dont l'ischémie, l'hyperméthylation, le rejet aigu, la fibrose ou les lésions parenchymateuses des donneurs, peuvent entraîner des lésions rénales et affecter la survie du greffon. À ce jour, la prise en charge clinique des bénéficiaires de la transplantation repose principalement sur des biopsies percutanées de l'organe répétées, entraînant de l'inconfort, des coûts accrus et un risque significatif de complications hémorragiques. Étant donné que la vascularisation des tissus ou l'infiltration des cellules inflammatoires peuvent induire des signaux spécifiques en imagerie par résonance magnétique (IRM) ou en échographie, nous émettons l'hypothèse que la transplantation rénale constitue une source pertinente de données pour les études d'imagerie.Tout d'abord, nous concevons des outils de détection et de segmentation des reins transplantés basés sur une approche d'apprentissage profond non supervisée, exploitant la différence de rehaussement des greffons dans différentes séquences IRM. Cette étape cruciale permet le calcul de caractéristiques radiomiques prédéfinies dans le greffon et permet d'appliquer une technique de base pour extraire des biomarqueurs robustes à partir des données d'imagerie médicale. Ensuite, nous proposons une approche pour apprendre directement à extraire des caractéristiques pertinentes à partir des données d'IRM de greffons rénaux en utilisant des méthodologies d'apprentissage contrastif. Nous explorons la pertinence de la représentation apprise pour la prédiction de la fonction rénale à partir des examens d'imagerie longitudinaux en utilisant une architecture de transformer adaptée à la gestion des examens manquants. Nous démontrons également le potentiel de nos représentations d'imagerie apprises pour prédire la survie du greffon à partir des examens précoces d'IRM post-transplantation. Enfin, nous explorons des approches multimodales pour intégrer davantage les informations cliniques et biologiques dans l'apprentissage de nos représentations d'image en exploitant l'expressivité des données textuelles avec les récentes avancées en traitement automatique du langage naturel et en utilisant une technique d'apprentissage contrastif multivues.Nos expériences mettent en évidence la pertinence de la prise en compte des données d'imagerie longitudinales pour extraire des représentations et des informations pertinentes en vue du suivi des transplantations et, par conséquent, dans l'étude des mécanismes de complications et de dysfonctionnements chroniques après la transplantation, ouvrant la voie à des recherches futures dans ce domaine.
Agence Bibliographique de l'Enseignement Supérieur
Title: Representation learning of multimodal and longitudinal data for renal transplantation monitoring
Description:
Apprentissage de représentations de données multimodales et longitudinales pour le suivi de la transplantation rénale L'intelligence artificielle (IA) a révolutionné la recherche en vision par ordinateur il y a une décennie.
Depuis lors, les algorithmes d'IA ont démontré une pléthore d'études remarquables et d'approches à la pointe de l'état de l'art pour de nombreuses applications, notamment l'analyse d'imagerie médicale.
L'objectif de cette thèse est d'explorer les récentes avancées en apprentissage automatique, en mettant l'accent sur les approches d'apprentissage profond, afin de concevoir des algorithmes pour le diagnostic basé sur l'imagerie médicale.
En particulier, des méthodologies innovantes exploitant des techniques d'auto-supervision et des approches multimodales sont développées pour générer des prédicteurs robustes capables d'associer les caractéristiques de l'imagerie à la progression du patient.
Ces méthodologies sont employés pour une application clinique spécifique, le suivi de patients ayant subit une transplantation rénale.
La transplantation rénale apparait comme la solution la plus efficace pour l'insuffisance rénale en phase terminale.
Cependant, plusieurs mécanismes, dont l'ischémie, l'hyperméthylation, le rejet aigu, la fibrose ou les lésions parenchymateuses des donneurs, peuvent entraîner des lésions rénales et affecter la survie du greffon.
À ce jour, la prise en charge clinique des bénéficiaires de la transplantation repose principalement sur des biopsies percutanées de l'organe répétées, entraînant de l'inconfort, des coûts accrus et un risque significatif de complications hémorragiques.
Étant donné que la vascularisation des tissus ou l'infiltration des cellules inflammatoires peuvent induire des signaux spécifiques en imagerie par résonance magnétique (IRM) ou en échographie, nous émettons l'hypothèse que la transplantation rénale constitue une source pertinente de données pour les études d'imagerie.
Tout d'abord, nous concevons des outils de détection et de segmentation des reins transplantés basés sur une approche d'apprentissage profond non supervisée, exploitant la différence de rehaussement des greffons dans différentes séquences IRM.
Cette étape cruciale permet le calcul de caractéristiques radiomiques prédéfinies dans le greffon et permet d'appliquer une technique de base pour extraire des biomarqueurs robustes à partir des données d'imagerie médicale.
Ensuite, nous proposons une approche pour apprendre directement à extraire des caractéristiques pertinentes à partir des données d'IRM de greffons rénaux en utilisant des méthodologies d'apprentissage contrastif.
Nous explorons la pertinence de la représentation apprise pour la prédiction de la fonction rénale à partir des examens d'imagerie longitudinaux en utilisant une architecture de transformer adaptée à la gestion des examens manquants.
Nous démontrons également le potentiel de nos représentations d'imagerie apprises pour prédire la survie du greffon à partir des examens précoces d'IRM post-transplantation.
Enfin, nous explorons des approches multimodales pour intégrer davantage les informations cliniques et biologiques dans l'apprentissage de nos représentations d'image en exploitant l'expressivité des données textuelles avec les récentes avancées en traitement automatique du langage naturel et en utilisant une technique d'apprentissage contrastif multivues.
Nos expériences mettent en évidence la pertinence de la prise en compte des données d'imagerie longitudinales pour extraire des représentations et des informations pertinentes en vue du suivi des transplantations et, par conséquent, dans l'étude des mécanismes de complications et de dysfonctionnements chroniques après la transplantation, ouvrant la voie à des recherches futures dans ce domaine.

Related Results

Rethinking Anticoagulation in Kidney Disease and Kidney Transplantation
Rethinking Anticoagulation in Kidney Disease and Kidney Transplantation
BackgroundA clinical dilemma exists in patients with CKD, ESKD, and after kidney transplantation, as they face concurrent risks of both thromboembolic and hemorrhagic complications...
Multimodal Emotion Recognition and Human Computer Interaction for AI-Driven Mental Health Support (Preprint)
Multimodal Emotion Recognition and Human Computer Interaction for AI-Driven Mental Health Support (Preprint)
BACKGROUND Mental health has become one of the most urgent global health issues of the twenty-first century. The World Health Organization (WHO) reports tha...
Renal serotonin signaling in ischemic kidney insufficiency
Renal serotonin signaling in ischemic kidney insufficiency
Renal ischemia–reperfusion (IR) injury is a major cause of acute kidney injury (AKI), a syndrome associated with high morbidity, mortality, and long-term risk of chronic kidney dis...
CREATING LEARNING MEDIA IN TEACHING ENGLISH AT SMP MUHAMMADIYAH 2 PAGELARAN ACADEMIC YEAR 2020/2021
CREATING LEARNING MEDIA IN TEACHING ENGLISH AT SMP MUHAMMADIYAH 2 PAGELARAN ACADEMIC YEAR 2020/2021
The pandemic Covid-19 currently demands teachers to be able to use technology in teaching and learning process. But in reality there are still many teachers who have not been able ...
MALE INFERTILITY IN RENAL FAILURE AND TRANSPLANTATION: A COMPARATIVE STUDY
MALE INFERTILITY IN RENAL FAILURE AND TRANSPLANTATION: A COMPARATIVE STUDY
Background Male infertility is a significant but often underrecognized problem in patients with chronic kidney disease and end-stage renal failure. Uremia, hormonal imbalance, ere...
Machine learning improves post-transplantation HCC recurrence prediction
Machine learning improves post-transplantation HCC recurrence prediction
We aimed to enhance post-transplantation HCC recurrence prediction by evaluating additional novel risk factors and leveraging state-of-the-art machine learning (ML) algorithms. Usi...

Back to Top