IA, deep “fake” et imagerie oncologique

publié le 9 juillet 2019

Pour être efficaces dans l’analyse, l’identification et le processus de diagnostic voire de prédiction (identification de type de cancer, par exemple), les algorithmes sur lesquels repose IA ont besoin d’images médicales de bonne qualité. Or, cette qualité est parfois douteuse, sinon absente. Et (re)construire des images de qualité au départ du matériel existant exige une grande puissance de calcul. Processus dès lors coûteux.

Le secteur médical se trouve-t-il dès lors devant un problème de type “catch 22”? 

Des chercheurs de l’Institut d’Informatique médicale de l’Université de Lübeck ont imaginé une démarche en deux étapes. Dans un premier temps, des GAN sont mis à contribution (generative adversarial networks ou réseaux antagoniques génératifs). Ces algorithmes d’apprentissage automatique non supervisé, dont le duel (entre générateurs et discriminateurs d’images de synthèse) débouche sur une amélioration de leur potentiel, génèrent les images en basse résolution et ajoutent progressivement des détails en plus haute résolution.

De premiers tests semblent concluants: la méthode semble générer, à moindre coût, des images 2D ou 3D “réalistes à haute résolution”.

Lire ici (MIT Review) et ici (Cornell University).