OBJECTIFS
– Connaître le principe des modèles avancés d’apprentissage profond pour les principales tâches du traitement et de l’analyse d’images médicales (segmentation, prédiction, apprentissage de représentation, synthèse d’images)
– Avoir un état de l’art des avancées dans le domaine de l’interprétabilité et de l’estimation de l’incertitude des modèles
– Savoir mettre en œuvre ces algorithmes d’apprentissage profond pour différents types de données d’imagerie médicale
– Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l’impact de différents paramètres d’apprentissage
– Avoir un état de l’art des avancées dans le domaine de l’interprétabilité et de l’estimation de l’incertitude des modèles
– Savoir mettre en œuvre ces algorithmes d’apprentissage profond pour différents types de données d’imagerie médicale
– Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l’impact de différents paramètres d’apprentissage
PROGRAMME
L’objectif de cette formation est de présenter les bases de l’analyse d’images médicales par apprentissage profond et de les mettre en œuvre sous forme de travaux pratiques. Nous présenterons également les dernières avancées dans le domaine en couvrant les différentes échelles d’analyse de l’image, depuis le traitement et l’extraction d’information au niveau du pixel (recalage, segmentation…) jusqu’à la modélisation des processus d’aide au diagnostic et au pronostic.
Ces différents concepts seront abordés sous forme de journées thématiques mêlant cours (50 %) et travaux pratiques (en Python, SciPy, PyTorch, Tensorflow) (50 %) sur des problématiques concrètes d’imagerie médicale, et prenant en compte les questions critiques de la communauté concernant l’apprentissage sur peu de données, sur des données manquantes, hétérogènes, et la nécessité de développer des modèles robustes, interprétables et assujettis d’une mesure d’incertitude.
Ces différents concepts seront abordés sous forme de journées thématiques mêlant cours (50 %) et travaux pratiques (en Python, SciPy, PyTorch, Tensorflow) (50 %) sur des problématiques concrètes d’imagerie médicale, et prenant en compte les questions critiques de la communauté concernant l’apprentissage sur peu de données, sur des données manquantes, hétérogènes, et la nécessité de développer des modèles robustes, interprétables et assujettis d’une mesure d’incertitude.
By CNRS
Follow us on Linkedin!