Sujet de projet de fin d'études: Développement d'un système intelligent de diagnostic précoce des maladies à partir d'images médicales multimodales utilisant l'apprentissage fédéré et l'apprentissage par transfert adaptable à des ressources limitées

Project Abstract

Ce travail propose un système intelligent de diagnostic précoce des maladies à partir d’images médicales multimodales, intégrant l’apprentissage fédéré et l’apprentissage par transfert pour fonctionner efficacement dans des environnements à ressources limitées. L’étude se concentre sur la détection précoce de maladies telles que les pathologies neurodégénératives et les cancers, en tirant parti de données hétérogènes provenant de modalités multimodales (IRM, CT, fluoroscopie, et analyses histologiques lorsqu’elles sont disponibles). Le cadre proposé combine une architecture fédérée sécurisée, garantissant la confidentialité et l’anonymisation des données cliniques, avec des mécanismes d’agrégation robustes permettant d’apprendre des modèles communs sans partager les données brutes entre les institutions. En parallèle, un module d’apprentissage par transfert exploite des modèles pré-entraînés sur de grandes bases publiques pour accélérer l convergence et compenser le manque de données localement disponibles, tout en adaptant ces modèles aux spécificités des ressources matérielles et des distributions des données locales. La méthodologie adopte une approche par étapes, démarrant par la construction d’un pipeline de prétraitement normalisé des images multimodales, incluant la co-registration, la normalisation d’intensité et l’annotation semi-automatique, afin d’assurer une qualité de données suffisante pour l’entraînement du modèle. Un réseau profond hybride, capable d’intégrer des signaux adaptés à chaque modalité, est développé pour apprendre des représentations latentes robustes au bruit et aux variations inter-modèles. Le cadre fédéré comprend des protocoles d’échange de gradients sécurisés et des techniques d’allocation des ressources afin de minimiser la latence et l’empreinte énergétique, tout en maintenant une performance compétitive avec des données centralisées. Des stratégies d’équilibrage des classes et de réduction de biais sont intégrées pour améliorer la sensibilité et la spécificité sur des jeux de données cliniques réels. Pour l’apprentissage par transfert, des modèles pré-entraînés sur des jeux de données vastes et génériques sont adaptés via des fine-tunings multi-tâches, privilégiant des couches communes à toutes les modalités et des modules spécifiques à chaque modalité. Un mécanisme d’auto-évaluation et de calibration des prédictions est incorporé afin d’estimer la confiance des diagnostics et de guider les médecins dans les décisions cliniques. L’évaluation expérimentale couvre plusieurs scénarios (i) détection précoce de maladies neurodégénératives à partir d’IRM et de données cliniques associées, (ii) détection et caractérisation de lésions cancéreuses à partir d’imagerie multi-modale (IRM, CT, et images histologiques lorsque disponibles), et (iii) robustesse et généralisabilité cross-institutionnelles via des accords de fédération croisés. Les résultats attendus démontrent une amélioration significative par rapport aux approches isolées, avec une augmentation de la précision de diagnostic et une meilleure tolérance aux variations dans les données distribuées, tout en assurant la protection de la vie privée et l’efficacité opérationnelle dans des environnements à ressources limitées. Le travail propose, en outre, des recommandations pratiques pour l’intégration clinique et des perspectives futures sur l’expansion multimodale et l’optimisation des ressources en edge computing.

Project Overview

What This Project Is About

---

A straightforward exploration of how smart computer tools can help doctors detect diseases early by using different kinds of medical images. The project combines two ideas: learning from many patients without sharing private data (federated learning) and using knowledge from existing related tasks to improve performance when data are scarce (transfer learning). The goal is a usable system that can work even in places with limited resources.

---

---

The Problem It Addresses

---

Often, medical image analysis relies on large, centralized datasets that may not be available or safe to share. This project tackles how to train effective models without pooling all data in one place, and how to adapt pre-trained models to new tasks with limited data. It aims to provide early, accurate diagnoses while respecting data privacy and resource constraints.

---

---

Objectives of the Project

---

1. Explain the basics of federated learning and transfer learning in plain terms.
2. Design a multimodal imaging workflow (combining different image types) for diagnosis.
3. Build a lightweight, privacy-aware model suitable for limited hardware.
4. Evaluate how well the system detects diseases early across datasets.
5. Compare federated vs. centralized training in terms of accuracy and privacy.

---

---

What You Will Do Step by Step

---

1. Review simple background materials on AI in medical imaging.
2. Collect or partner to access multiple anonymized image datasets.
3. Set up a federated training framework that trains models without sharing raw data.
4. Apply transfer learning to adapt models to each dataset with minimal data.
5. Train multimodal models and validate their early-diagnosis performance.
6. Run privacy and resource tests to ensure practicality.
7. Analyze results and compare methods both qualitatively and quantitatively.
8. Summarize findings and discuss real-world applicability.

---

---

Expected Outcome

A ready-to-test pipeline that can perform early disease detection from multimodal medical images using federated and transfer learning, with demonstrated privacy advantages and solid performance on small to medium datasets.