Thèse Année : 2024

Quantum-classical machine learning for brain tumor imaging analysis

Apprentissage automatique quantique et classique pour l’analyse d’images des tumeurs cérébrales

Résumé

Brain tumor characterization using non-invasive techniques is eagerly needed. The objective of this thesis is to use advanced machine learning techniques and quantum technology on brain medical images to characterize brain tumors. First, we built a Quantum Neural Network using radiomic features from on brain MRI to differentiate between metastases and gliomas. We used a Mutual Information feature selection technique, and solved the resulting heuristic on D-Wave’s Quantum Annealer. We trained the model on a Quantum Simulator. We employed instance-wise Shapley values to explain the model predictions. We benchmarked the results against two state-of-the-art classical models, Dense Neural Network and Extreme Gradient Boosting. The model showed comparable performance.Second, we developed a 3D Convolutional Neural Network using non-enhanced brain CT scans to identify patients with brain metastases. For this purpose, we curated two cohorts of patients, one with brain metastases, and one without brain abnormalities. The brain was automatically segmented. We trained several versions of the model, and the best model showed an impressive performance.
La caractérisation des tumeurs cérébrales par des techniques non invasives est nécéssaire. L'objectif est d'utiliser l'apprentissage automatique et la technologie quantique sur des imageries pour caractériser les tumeurs cérébrales. Nous développons un Réseau Neuronal Quantique en utilisant la radiomique des IRM cérébrales pour différencier métastases et gliomes de haut grade. Nous sélectionnons les variables en se basant sur l'information mutuelle et nous utilisons D-Wave pour la solution. Nous entraînons le modèle sur un Simulateur Quantique. Nous utilisons les valeurs de Shapley pour expliquer les prédictions. Nous comparons les résultats á deux modèles classiques performants, DNN et XGB. Le modèle montre une performance comparable. Ensuite, nous développons un Réseau Neuronal Convolutif 3D en utilisant des TDM cérébrales non injectées pour identifier les patients ayant des métastases cérébrales. Nous avons construit deux cohortes de patients, une avec des métastases cérébrales, et une sans anomalies cérébrales. Le cerveau a été segmenté automatiquement. Nous entraînons plusieurs modèles, et le meilleur a montré une bonne performance.
Fichier principal
Vignette du fichier
FELEFLY_Tony_2024_ED414.pdf (5) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04947687 , version 1 (14-02-2025)

Identifiants

  • HAL Id : tel-04947687 , version 1

Citer

Tony Felefly. Quantum-classical machine learning for brain tumor imaging analysis. Cancer. Université de Strasbourg; Université Saint-Joseph (Beyrouth), 2024. English. ⟨NNT : 2024STRAJ064⟩. ⟨tel-04947687⟩
0 Consultations
0 Téléchargements

Partager

More