Vue d'ensemble de l'apprentissage profond en imagerie médicale axée sur les images IRM

L'apprentissage automatique a connu r嶰emment des d憝eloppements spectaculaires qui ont suscit?beaucoup d'int廨皻 de la part de l'industrie, du monde universitaire et de la culture populaire. Ces progr鋊 sont dus ?des perc嶪s dans le domaine des r廥eaux neuronaux artificiels, souvent appel廥 "apprentissage profond", un ensemble de techniques et d'algorithmes qui permettent aux ordinateurs de d嶰ouvrir des mod鋩es complexes dans de grands ensembles de donn嶪s. L'acc鋊 accru aux donn嶪s ("big data"), les cadres logiciels conviviaux et l'explosion de la puissance de calcul disponible, qui permettent l'utilisation de r廥eaux neuronaux plus profonds que jamais, sont ?l'origine de ces perc嶪s. Ces mod鋩es constituent aujourd'hui l'approche de pointe d'une grande vari彋?de probl鋗es dans les domaines de la vision par ordinateur, de la mod幨isation du langage et de la robotique. L'apprentissage profond a acquis une place pr廧ond廨ante dans le domaine de la vision par ordinateur lorsque les r廥eaux neuronaux ont commenc??surpasser d'autres m彋hodes dans le cadre de plusieurs tests de r嶨廨ence tr鋊 m嶮iatis廥 en mati鋨e d'analyse d'images. Le cas le plus c幨鋐re est celui de l'Image Net Large-Scale Visual Recognition Challenge (ILSVRC) en 2012, o?un mod鋩e d'apprentissage profond (un r廥eau neuronal convolutif) a divis?par deux le deuxi鋗e meilleur taux d'erreur dans la t歊he de classification d'images.