DELPHIDay - Diana Mateus - Reconstruire les Images Médicales grâce aux Réseaux de Neurones Profonds
Key | Action |
---|---|
K or space | Play / Pause |
M | Mute / Unmute |
C | Select next subtitles |
A | Select next audio track |
V | Show slide in full page or toggle automatic source change |
left arrow | Seek 5s backward |
right arrow | Seek 5s forward |
shift + left arrow or J | Seek 10s backward |
shift + right arrow or L | Seek 10s forward |
control + left arrow | Seek 60s backward |
control + right arrow | Seek 60s forward |
shift + down arrow | Decrease volume |
shift + up arrow | Increase volume |
shift + comma | Decrease playback rate |
shift + dot or shift + semicolon | Increase playback rate |
end | Seek to end |
beginning | Seek to beginning |
Si vous êtes abonné aux notifications, un e-mail vous sera envoyé pour toutes les annotations ajoutées.
Votre compte utilisateur n'a pas d'adresse électronique.
Informations sur ce média
Nombre de vues :
1Date de création :
oct. 11, 2023Intervenants :
Joëlle MARTIN-GAUTHIERDescription
Pr. Diana Mateus, Professeure des Universités - Enseignante Chercheure, École Centrale Nantes, LS2N - Responsable du Pôle Signaux, Images, Ergonomie et Langues
Spécialisée dans l'analyse de l'imagerie médicale
Reconstruire les Images Médicales grâce aux Réseaux de Neurones Profonds
Les images constituent un pilier dans la pratique médicale d'aujourd'hui. Alors que le nombre, les dimensions, la résolution et la diversité des images continuent d'augmenter rapidement, la disponibilité d'experts médicaux capables d'acquérir, de traiter ou d'analyser les images est mise à l’épreuve. De nombreux exemples réussis ont montré comment l’apprentissage profond peut assister les experts lors de tâches de classification, de détection et de segmentation. Parmi ces exemples, certaines solutions permettent aujourd’hui de surmonter les défis liés à la taille relativement réduite des ensembles de données et aux annotations coûteuses. Néanmoins, une autre façon moins explorée d’assister l’imagerie médicale est en améliorant l’acquisition. Cette présentation se focalisera sur une utilisation alternative des réseaux neuronaux pour l'imagerie médicale, qui intervient dans le processus convertissant les quantités mesures par la machine en images interprétables (reconstruction). Nous explorerons certains biais de représentation inhérents aux réseaux neuronaux convolutionnels non supervisés, permettant à de tels modèles de débruiter, de recaler ou de reconstruire des images TEP (Tomographie par Émission de Positons). Nous présenterons également des résultats préliminaires sur l’adaptation d’un modèle neuronal génératif de type diffusion, pour débruiter ou reconstruire des images échographiques.