RadiologIA

Bienvenue sur la plateforme RadiologIA !

RadiologIA révolutionne la formation à l'analyse de radiographies thoraciques grâce à une approche interactive s'appuyant sur l'intelligence artificielle. Cette plateforme est spécialement conçue pour les étudiants en technique en radiologie médicale, mais est ouverte à tous ceux qui souhaitent améliorer leurs compétences en analyse de radiographies ou simplement évaluer l'outil.

Comment fonctionne RadiologIA ?

Dans la version actuelle, cette plateforme permet de s'exercer à l'analyse d'images de radiographie par rayon X en identifiant et en sélectionnant via l'interface différentes régions anatomiques de la cage thoracique. Comme son nom l'indique, RadiologIA s'appuie sur des algorithmes d'intelligence artificielle afin d'effectuer l'analyse de radiographie parallèlement à l'utilisateur et permettant de fournir un feedback sur la précision de ce dernier et comment s'améliorer.

L'apprentissage interactif se décline en deux modes distincts, l'un pour s'exercer à identifier toute une sélection de régions anatomiques dans une radiographie donnée avant de passer à la suivante, et l'autre pour s'exercer à identifier spécifiquement une région anatomique choisie sur une série de radiographies.

Cet outil s'appuie sur la librairie TorchXRayVision et en particulier sur le modèle PSPNET, qui se basent sur les articles suivants:

• Joseph Paul Cohen, Joseph D. Viviano, Paul Bertin, Paul Morrison, Parsa Torabian, Matteo Guarrera, Matthew P Lungren, Akshay Chaudhari, Rupert Brooks, Mohammad Hashir, Hadrien Bertrand, TorchXRayVision: A library of chest X-ray datasets and models. Medical Imaging with Deep Learning, 2020
• Joseph Paul Cohen and Mohammad Hashir and Rupert Brooks and Hadrien Bertrand, On the limits of cross-domain generalization in automated X-ray prediction. Medical Imaging with Deep Learning 2020.