PLAN DE COURS
Automne 2026
SYS818 : Intelligence artificielle en imagerie médicale (4 crédits)
Préalables
Aucun préalable requis.
Description 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.
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 |
| 01 | Mardi | 13:30 - 16:30 | Laboratoire |
| Vendredi | 08:30 - 12:00 | Activité de cours |
Coordonnées du personnel enseignant le cours
| Groupe | Nom | Activité | Courriel | Local | Disponibilité |
| 01 | | Laboratoire | | | |
| 01 | Matthew Toews | Activité de cours | matthew.toews@etsmtl.ca | A-3595 | |
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 |
| 2 |
Labo 1 - Visualisation 3D Slicer |
6 |
| 2 |
Labo 2 - Classification, Python et/ou C++ |
6 |
| 2 |
Labo 3 - 3D SIFT, Recallage, Python et/ou C++ |
6 |
| 6 |
Projet |
18 |
Évaluation
Informations additionnelles :
| Activité |
Description |
|
% |
| Laboratoires |
labo1 |
22 septembre |
5 |
| |
labo2 |
6 octobre |
5 |
| |
labo3 |
20 octobre |
5 |
| Quiz en classe |
quiz1 |
25 septembre |
3.3 |
| |
quiz2 |
23 octobre |
3.3 |
| |
quiz3 |
27 novembre |
3.4 |
| Projet de session |
Présentation orale |
1 décembre |
5 |
| |
rapport écrit |
10 décembre |
30 |
| Final |
Examen |
tbd |
40 |
Politique de retard des travaux
Conformément au Règlement des études de premier cycle
(article 7.5.6) et au Règlement des études de cycles supérieurs (article 6.5.6), 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 à l’article 7.5.5.1 dans le Règlement des études de premier cycle et l’article 6.5.2 dans le Règlement des études de cycles supérieurs, se verra attribuer la note zéro, à moins que d’autres dispositions soient communiquées par écrit par la personne enseignante 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 une évaluation
Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou
l’étudiant doit utiliser le
formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se
déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus
durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant
ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.
Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de
l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des
études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS
pour se rendre à l’activité.
Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du
RÉPC et 6.5.2 du RÉCS)
entraînera l’attribution de la note zéro (0).
Infractions de nature académique
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 étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-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 tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).
Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par la personne enseignante du cours ou la personne coordonnatrice dans le cas des stages.
Documentation obligatoire
Pas de documentation obligatoire, toute documentation sur le site Moodle du cours
https://ena.etsmtl.ca/course/view.php?id=19375
Ouvrages de références
- 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.
Autres informations
|
Sem.
|
Cours Vendredi AM
(9:00 - 12:00)
|
Labos Mardi PM
(13:30 - 16:30) A-3340
|
|
1
31 aout
|
Introduction
|
|
|
2
7 sept
|
Modalitiés
|
Labo 1 : 3D Slicer
|
|
3
14 sept
|
Mathématiques
|
Labo 1 |
|
4
21 sept
|
Prétraitement
Quiz 1
|
Labo 2 : Réseau neuronal convolutif (Python et/ou C++)
|
|
5
28 sept
|
Segmentation
* Cours le mardi 10 octobre 2023 : horaire du lundi
|
Labo 2
|
5 oct |
Relache |
Labo 3 : 3D SIFT-Rank (Python et/ou C++) |
|
6
14 oct
|
Détection
|
Relache
|
|
7
19 oct
|
Sous-échantillonage, interpolation, réseaux
Quiz 2
|
Labo 3 |
|
8
26 oct
|
Recallage
|
Projet
|
|
9
2 nov
|
Classification
|
Projet
|
|
10
9 nov
|
Apprentissage
|
Projet
|
|
11
16 nov
|
Apprentissage
|
Projet
|
|
12
23 nov
|
Apprentissage
Quiz 3
|
Projet
|
|
13
30 nov
|
Présentations de projet
|
Présentations de projet
|
|
|
|
|