DeepL_IRMf Modèle pré-entraîné deep-learning pour l'imagerie par résonance magnétique fonctionnelle

Résumé

L’imagerie par résonance magnétique fonctionnelle (IRMf) est devenue un outil essentiel pour évaluer l’activité neuronale liée aux fonctions cognitives. La majorité des études d’IRMf comprennent de petits ensembles de données, ce qui empêche d’appliquer de nouvelles approches pour l’analyse des données telles que l’intelligence artificielle (IA), et plus particulièrement les réseaux neuronaux convolutifs (CNN) qui nécessitent de grands ensembles de données pour atteindre une efficacité optimale. Le CNN est une méthode d’IA incluse dans l’apprentissage profond (DL), un type d’apprentissage automatique (ML) qui imite la façon dont les humains acquièrent des connaissances. L’apprentissage par transfert (TL) est récemment apparu comme une solution couramment utilisée pour surmonter la rareté des données d’IRMf tout en utilisant l’apprentissage profond. Le TL peut être réalisé grâce à des modèles pré-entraînés pour extraire des caractéristiques afin de répondre à une tâche particulière. L’objectif de notre projet est de développer un modèle générique pré-entraîné pour l’analyse de données IRMf, entraîné sur de grands ensembles de données, pour réaliser la TL. Nous proposons une approche basée sur un transformeur entraîné avec les valeurs de l’activité des voxels IRMf. Un pipeline utilisant un CNN 3D pour extraire les caractéristiques spatiales des données IRMf 4D, suivi d’un transformateur alimenté par les données enchâssées résultant du CNN pour modéliser l’aspect temporel des données, sera développé.

Mots clés

Partenaires du projet

INSB

Monica BACIU

Laboratoire de Psychologie et Neurocognition

(UMR 5105) Grenoble, France

INSB

Martial MERMILLOD

Laboratoire de Psychologie et Neurocognition

(UMR 5105) Grenoble, France

INS2I

Sophie ACHARD

Laboratoire Jean Kuntzmann

(UMR 5224) Grenoble, France

Go to top of page