Apprentissage profond pour l'imagerie médicale
Description
Les technologies d'imagerie médicale fournissent des moyens inégalés pour étudier la structure et la fonction du corps humain in vivo. L'interprétation des images médicales est difficile en raison de la nécessité de prendre en compte des informations tridimensionnelles et variables dans le temps provenant de plusieurs types d'images médicales. L'intelligence artificielle (IA) est très prometteuse pour aider à l'interprétation, et l'imagerie médicale est l'un des domaines où l'IA devrait connaître les plus grands succès. Ces dernières années, les technologies d'apprentissage profond ont permis des avancées impressionnantes dans le traitement et l'interprétation des images médicales.
Ce cours couvre les aspects théoriques et pratiques de l'apprentissage profond pour l'imagerie médicale. Il couvre les principales tâches impliquées dans l'analyse d'images médicales (classification, segmentation, enregistrement, modèles génératifs...) pour lesquelles des techniques d'apprentissage profond de pointe sont présentées, aux côtés de certaines approches plus traditionnelles de traitement d'images et d'apprentissage automatique. Des exemples de différents types d'applications en imagerie médicale (cerveau, cardiaque...) seront également fournis.
Période(s) du cours
Prérequis
Syllabus
-
Introduction à l'imagerie médicale
Classification pour les données médicales
Détection sur l'imagerie médicale
Segmentation de l'imagerie médicale
Validation, interprétation et reproductibilité
Enregistrement des volumes médicaux
Débruitage et reconstruction de l'imagerie médicale
Modèles génératifs
Composition du cours
Résultats de l'apprentissage couverts par le cours
Nous espérons qu'à la fin du cours, les étudiants pourront
aient une connaissance des techniques d'apprentissage profond les plus récentes pour l'imagerie médicale
auront une compréhension plus approfondie des méthodes d'apprentissage profond, applicables non seulement aux images médicales mais aussi à d'autres types de données
sauront comment construire et valider des modèles d'apprentissage profond pour les images médicales.
Support de cours, bibliographie
- https://github.com/beamandrew/medical-data
- https://sites.google.com/site/aacruzr/image-datasets • https://github.com/sfikas/medical-imaging-datasets • https://grand-challenge.org/challenges/
- I. Goodfellow, Y. Bengio, and A. Courville, “Deep Learning,” 2016.
- Ch. Guy and D. Ffytche“An Introduction to the Principles of Medical Imaging”, 2005.
- T. Hastie, R. Tibshirani and J. Friedman, “The Elements of Statistical Learning,” 2008.
- Ch. M. Bishop,“Pattern Recognition and Machine Learning”, 2006
- MICCAI (Medical Image Computing and Computer-Assisted Intervention)
- IPMI (Information Processing in Medical Imaging)
- ISBI (International Symposium on Biomedical Imaging)
- MIDL (Medical Imaging with Deep Learning)