Projet ReproVIP : Vers des Résultats Reproductibles en Imagerie Médicale

Contexte – VIP (Virtual Imaging Platform) est un portail Web pour l'analyse des données d'imagerie médicale (Glatard et al. 2013). En exploitant les ressources de calcul et de stockage de l'infrastructure EGI, VIP propose aux chercheurs en imagerie médicale l'exécution d'applications scientifiques en tant que services avec la performance des systèmes distribués.

Problématique – La recherche en imagerie médicale traverse actuellement une crise de reproductibilité. En effet, la complexité croissante des procédés d'analyse compromet notre capacité à produire des résultats identiques en réitérant un même traitement sur un même ensemble d'entrées. Au-delà du parti-pris des chercheurs et du processus d'exploration des données (Botvinik-Nezer et al. 2020), l'environnement de calcul (i.e., les librairies statiques, le système d'exploitation, l'infrastructure matérielle) semble jouer un rôle important dans cette crise en ajoutant de l'incertitude numérique aux résultats scientifiques (Glatard et al. 2015). Cette variabilité concerne en particulier la plateforme VIP, qui repose sur des infrastructures de calcul distribué.

Projet – Le projet ANR ReproVIP (ANR-21-CE45-0024-01) aborde cette crise de reproductibilité à tous les niveaux d'analyse, depuis le processus d'exploration des données jusqu'à l'environnement de calcul. Il inclut deux objectifs complémentaires : (i) évaluer l'incertitude des résultats scientifiques obtenus sur la plateforme VIP et (ii) améliorer leur reproductibilité, de manière transparente pour l'utilisateur. Dans cet objectif, des exécutions peuvent être lancées sur des plateformes comme SCIGNE et Grid5000, qui sont susceptibles de fournir un environnement de calcul contrôlé.

Contenu – Cette présentation sera accompagnée d'un poster illustrant les grandes lignes du projet ReproVIP. Nous présenterons ses objectifs opérationnels et les solutions technologiques qui peuvent être mises en place pour améliorer la reproductibilité des analyses en imagerie médicale. Nous introduirons enfin des métriques et une méthodologie d'évaluation de la variabilité des résultats scientifiques au travers des environnements.

Références • Botvinik-Nezer, Rotem, Felix Holzmeister, Colin F. Camerer, Anna Dreber, Juergen Huber, Magnus Johannesson, Michael Kirchler, et al. 2020. « Variability in the analysis of a single neuroimaging dataset by many teams ». Nature 582 (7810): 84-88. https://doi.org/10.1038/s41586-020-2314-9. • Glatard, Tristan, Carole Lartizien, Bernard Gibaud, Rafael Ferreira da Silva, Germain Forestier, Frédéric Cervenansky, Martino Alessandrini, et al. 2013. « A Virtual Imaging Platform for Multi-Modality Medical Image Simulation ». IEEE Transactions on Medical Imaging 32 (1): 110-18. https://doi.org/10.1109/TMI.2012.2220154. • Glatard, Tristan, Lindsay B. Lewis, Rafael Ferreira da Silva, Reza Adalat, Natacha Beck, Claude Lepage, Pierre Rioux, et al. 2015. « Reproducibility of Neuroimaging Analyses across Operating Systems ». Frontiers in Neuroinformatics 9 (avril). https://doi.org/10.3389/fninf.2015.00012. • Guix-HPC. s. d. « Reproducible computations with Guix ». Dernière consultation le 16 Mai 2022. http://hpc.guix.info/blog/2020/01/reproducible-computations-with-guix/.