Logo ÉTS
Session
Cours
Responsable(s) Matthew Toews

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Matthew Toews


PLAN DE COURS

Automne 2021
SYS818 : Intelligence artificielle en imagerie médicale (4 crédits)
Intelligence artificielle en imagerie médicale





Préalables
Aucun préalable requis




Descriptif du cours



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++



Horaire
Groupe Jour Heure Activité
02 Lundi 08:30 - 12:00 Activité de cours
Lundi 13:30 - 16:30 Laboratoire



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
02 Matthew Toews Activité de cours Matthew.Toews@etsmtl.ca A-3595
02 Clément Eiserloh Laboratoire clement.eiserloh.1@ens.etsmtl.ca



Cours

Le cours se veut une introduction l'intelligence artificiel appliqué au domaine de l'analyse d'imagerie médicale . Il couvre les fondements des modalités d'image et des algorithmes principaux: segmentation, recallage, classification. Une approche numérique de réalisation sera illustrée en laboratoire à l’aide de progiciels évolués d’analyse, de compréhension et de traitement d’image.

 

Semaine

Activités

Heures

1

Introduction

3

2

Modalités

3

 

 

 

3

Mathématiques - géometrie, probabilité, algorithmes

3

 

 

 

4

Prétraitement

3

 

 

 

 

5

Segmentation 1

3

 

 

 

 

6

Segmentation 2

3

 

 

 

 

7

           Recallage 1

3

 

 

 

 

8

Recallage 2

3

 

 

 

 

9

         Classification 1

3

 

 

 

10

  Classification 2

3

 

 

 

11

Apprentissage Profond

3

 

 

 

12

Apprentissage Profond

3

 

 

 

13

Apprentissage Profond

3

 

 

 



Laboratoires et travaux pratiques

Quelques séances de laboratoire dirigées sont prévues pour que l’étudiant puisse se familiariser avec l’utilisation et la programmation du logiciel d’analyse et de traitement d’images médicales, en languages C++ et/ou Python.

Un projet de session est réalisé en équipe et consiste à réaliser un algorithme de vision artificielle parmi un choix d’articles fourni aux équipes ou relié au projet d’application des membres de l’équipe. Le projet est mené durant la session et conclu par une présentation orale et un rapport.

Semaines Description Heures
1 Labo 1 - Visualisation 3D Slicer 3
1 Labo 2 - Classification, Python et/ou C++ 3
1 Labo 3 - 3D SIFT, Recallage, Python et/ou C++ 3
6 Projet 12

 




Évaluation
Activité Description %
Laboratoires 3 x travaux pratiques, développement de logiciel 15
Quiz 3 x quiz en format de réponse courte, en classe 10
Projet de session Présentation orale 5%, rapport écrit 30% 35
Final Examen 40

 




Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux


Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Rapports de laboratoire (2) : 20% par journée ouvrable de retard

Rapport technique du projet de session : 20% par journée ouvrable de retard.




Absence à un examen
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (0).



Plagiat et fraude
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le Règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique ) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet.  À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page Citer, pas plagier ! (https://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).



Documentation obligatoire

Pas de documentation obligatoire, toute documentation sur le site Moodle du cours :

https://ena.etsmtl.ca/course/view.php?id=15054

 




Ouvrages de références



Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca/course/view.php?id=15054




Autres informations

Sem.
Lundi

Cours Lundi
(8
:30 - 11:30) B-3418

Labos Lundi
(13:30 - 16:30) à distance

1
30 aout

Introduction

 

2
6 sept

(congé - Fête du Travail)

 

3
 13 sept

Modalitiés
 

Labo 1 : 3D Slicer

4
20 sept

Mathématiques
 

Labo 1

5
27 sept

Prétraitement

Labo 2 : Réseau neuronal convolutif (Python et/ou C++)

6
4 oct

Segmentation
Quiz 1

Labo 2
 

7
12 oct
* Mardi

Détection
  * Mardi 12 octobre 2021 : horaire du lundi 

Labo 3 : 3D SIFT-Rank (Python et/ou C++)
  * Mardi 12 octobre 2021 : horaire du lundi 

8
18 oct

Sous-échantillonage, interpolation, réseaux

Labo 3

9
25 oct

Recallage
Quiz 2

Projet

10
1 nov

Classification

Projet

11
8 nov

Apprentissage
 Quiz 3

Projet

12
15 nov

Apprentissage

Projet

13
22 nov

Apprentissage

Projet

14
29 nov

Présentations de projet