Logo ÉTS
Session
Cours
Responsable(s) Matthew Toews

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement


Préalables

Aucun préalable requis
 


Descriptif du cours

Ce cours vise à présenter les bases de l'apprentissage automatique profond et des réseaux de neurones convolutifs (CNN) avec application à l'analyse d'images médicales. Accent mis sur les données d'images non photographiques et multicanaux, l'échographie, la tomodensitométrie (CT) et l'imagerie par résonance magnétique (IRM). Il intègre les tâches telles que la détection, la segmentation, la classification et l'analyse de groupe.

À la fin du cours l’étudiante ou l'étudiant sera en mesure de concevoir des solutions pratiques de l’intelligence artificielle basées sur les données d’imagerie médicale.

Géométrie de l’image, espaces multidimensionnelles, opérations vectorielles, matricielles et tensorielles, théorie de la probabilité, variables aléatoires discrètes et continues, théorie de l'information, estimation linéaire, estimation robuste, invariance géométrique et analyse par point clés. Laboratoires pratiques servent à familiariser les étudiants avec la programmation des applications pratiques.





Objectifs du cours

À la fin du cours, l’étudiant devrait :

  • Comprendre les divers phénomènes qui se produisent lors de la formation d’une image médicale;
  • Comprendre des algorithmes de base: segmentation, classification, recallage;
  • Maîtriser l’appareil mathématique servant à poser les problèmes de de façon analytique;
  • Choisir l’approche d’analyse la mieux appropriée au type de donné à l’étude;
  • Avoir une idée globale du domaine que représente l'analyse d'images médicales par ordinateur et pouvoir progresser par lui-même par la suite.

Stratégies pédagogiques

Pour atteindre les objectifs, l’étudiant assistera à des exposés magistraux à raison de 3h30 par semaine. Il y aura neuf séances de laboratoire: 3 avec TP durant lesquelles l’étudiant apprendra des logiciels utilisés en analyse d'images médicales, et 6 consacrées à la programmation et à l’évaluation d’un algorithme d’un projet de session.


Utilisation d’appareils électroniques

  • PCs
  • Logiciels de traitement et de compréhension de l'image : 3D Slicer, 3D SIFT, Keras
  • Dévelopement logiciel : Python et/ou C++


Coordonnées du personnel enseignant le cours

* Double-cliquez sur le champ pour modifier le contenu