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.

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.

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.

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

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

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

https://ena.etsmtl.ca/course/view.php?id=19375

• Goodfellow, Bengio, Courville, Deep Learning, 2016.
• Suetens, P. Fundamentals of Medical Imaging, Cambridge University Press
• Prince, J. & Links, J. Medical Imaging Signals and Systems, Prentice Hall,
• Bankman, Isaac.Handbook of Medical Imaging: Processing and Analysis, Academic Press,
• Yoo, Terry S. Insight into Images: Principles and Practice for Segmentation, Registration and Image Analysis, CRC Press,
• Sethian, J.A., Level-set Methods, Cambridge University Press, 2000,
• Duda, Hart and Stork, Pattern Classification (2nd Edition), Wiley, 2000,
• Koller and Friedman, Probabilistic Graphical Models: Principles and Techniques, MIT Press, 2009,
• Strang, Gilbert. Linear Algebra and Its Applications 2/e, Academic Press, 1980.

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