Analyse de données RMN multimodales par intelligence artificielle pour la discrimination binaire du grade du gliome

Les gliomes sont des tumeurs cerebrales dont l'evolution de bas grade a haut grade signe un diagnostic sombre pour le patient.Le grade du gliome est connu via des techniques invasives : analyse de piece chirurgicale ou biopsie. Le CHU de Poitiers propose une alternative non-invasive via un bilan d'imagerie par resonance magnetique multimodal, regroupant des donnees anatomiques, de diffusion, de perfusion et de spectroscopie.Dans ce travail de these, nous proposons d'implementer des outils de classification automatique depuis l'analyse de ces images multivariees. Nous deployons pour cela des outils novateurs permettant d'analyser le comportement de classifieurs automatiques. Cela nous amene a pointer des incoherences au sein de la base de donnees la plus utilisee sur la tâche de classification binaire du grade du gliome. Nous proposons une alternative via un consensus de cinq experts radiologues. Puis, nous creons une chaine de traitement complete allant de l'acquisition a la classification, et explorons comment les donnees multimodales ameliorent les performances de classification automatique.