Speakers > SpeakersMathilde RipartKing’s College London (KCL), Londres, Royaume-Uni Titre de la présentation : MELD Graph, l’IA pour la détection des lésions épileptiques: de la recherche à l’impact clinique. Résumé : Le projet MELD (Multi-center Epilepsy Lesion Detection) est une initiative internationale visant à améliorer la détection des lésions cérébrales chez les patients atteints d’épilepsie pharmacorésistante. L’équipe a développé MELD Graph, un outil d’intelligence artificielle conçu pour détecter la dysplasie corticale focale (FCD), la lésion cérébrale la plus fréquemment associée à l’épilepsie. Entraîné sur plus de 500 scans IRM de patients grâce à des réseaux de neurones sur graphe, MELD Graph permet de segmenter précisément des lésions FCD et produire des rapports interprétables pour assister les radiologues. Actuellement testé dans plus de 100 hôpitaux à travers le monde, MELD Graph aide les radiologues à détecter les lésions les plus subtiles chez des patients dont l’IRM semble normale. Cette présentation détaillera le principe technique de MELD Graph ainsi que sa translation en tant qu’outil de recherche dans la pratique clinique.
--------------------------------------------------------------------------------------------------------------------------------------------- Gwenolé QuellecLaTIM UMR 1101, Inserm, Brest, France Titre de la présentation : "Evired : une IA multimodale pour le pronostic de la rétinopathie diabétique" Résumé : Dans le cadre du RHU Evired, nous avons développé une approche d’intelligence artificielle multimodale pour prédire l’évolution de la rétinopathie diabétique, complication cécitante du diabète. En combinant imagerie rétinienne 2D et 3D, données cliniques et mesures biologiques, notre objectif était de prédire les trajectoires individuelles de la maladie afin d’optimiser la prise en charge des patients. Je présenterai les principaux défis méthodologiques rencontrés : intégration de modalités hétérogènes (images multimodales et données tabulaires, appareils multi-constructeurs), gestion des données manquantes et des intervalles temporels variables. Enfin, j’illustrerai les performances obtenues sur une cohorte nationale multicentrique et discuterai des perspectives ouvertes par ces travaux pour une médecine prédictive personnalisée en ophtalmologie.
--------------------------------------------------------------------------------------------------------------------------------------------- Pietro GoriTélécom Paris, Paris Saclay Titre de la présentation : Analyse contrastive : apprentissage des facteurs génératifs communs et saillants entre deux ensembles d’images Résumé : Les récents progrès en synthèse d’images ont permis la génération et la manipulation d’images de haute qualité. La plupart des travaux existants se concentrent sur : 1) la manipulation conditionnelle, où une image est modifiée en fonction d’un attribut donné, ou 2) l’apprentissage de représentations désentrelacées (i.e., disentangled), dans lesquelles chaque direction latente est supposée représenter un attribut sémantique distinct. Dans cette présentation, nous explorons un problème de recherche différent et encore peu étudié, appelé Analyse Contrastive (CA). Étant donnés deux ensembles d’images (par exemple, des sujets sains et des patients), l’objectif de l’analyse contrastive est de séparer les facteurs génératifs communs, partagés entre les deux ensembles, des facteurs saillants, spécifiques à l’un d’entre eux uniquement. Nous discuterons des principales caractéristiques et hypothèses sous-jacentes à l’analyse contrastive, et nous montrerons comment cette approche peut être adaptée à différents modèles génératifs, notamment les VAEs, les GANs et les modèles de diffusion. En définissant de nouvelles stratégies d’apprentissage et des fonctions de perte spécifiquement conçues, nous rendons possible une séparation pertinente entre les facteurs communs et saillants, tout en préservant la génération d’images de haute qualité. Enfin, nous évaluerons cette approche sur divers ensembles de données, incluant des visages humains et des images médicales, afin de démontrer sa robustesse et sa généralité. Biographie : Pietro Gori est Professeur (PhD, HDR) en intelligence artificielle et imagerie médicale à Télécom Paris (IPParis), au sein du groupe IMAGES. Il a effectué sa thèse de doctorat à Inria, au laboratoire ARAMIS (Paris), puis un post-doctorat à Neurospin (CEA). Auparavant, il a obtenu un Master en modélisation mathématique et calcul scientifique à la DTU (Copenhague) et un Master en ingénierie biomédicale à l’Université de Padoue. Il a participé au développement du logiciel libre Deformetrica (pour l’analyse statistique de formes) et de la plateforme Clinica, dédiée aux études de neuroimagerie clinique. Ses travaux de recherche portent principalement sur l’apprentissage automatique, l’intelligence artificielle, l’apprentissage de représentations, l’imagerie médicale et l’anatomie computationnelle. Il est auteur de plus de 60 publications dans des revues et conférences internationales à comité de lecture, titulaire de 2 brevets, et a eu le plaisir de collaborer avec plus de 25 doctorants et post-doctorants. Il est également cofondateur de la start-up Replico. --------------------------------------------------------------------------------------------------------------------------------------------- Anaïs BadoualTitre de la présentation : coming soon Résumé : coming soon
--------------------------------------------------------------------------------------------------------------------------------------------- Pierre WeissCentre de Biologie intégrative, Toulouse Titre de la présentation : Analytical solutions for CNN inverse problem solvers
Résumé : Supervised neural network solvers have brought a small revolution in the treatment of inverse problems. Their reconstruction performance has reached levels once considered unattainable for complex systems, and problems long deemed intractable can now be approached with satisfactory accuracy. Yet, despite these successes, concerns persist regarding their reliability: numerical experiments reveal that some networks may hallucinate, lack robustness, or operate with insufficient regard for the underlying physics. In this talk, I will adopt a statistical perspective grounded in the Minimum Mean Square Error (MMSE) framework to show that well-designed supervised neural networks can, in fact, produce faithful results. I will argue that their outputs can be characterized analytically with a rather high precision, providing a principled understanding of when—and why—these networks can be trusted in solving inverse problems and some guidelines on how to design them to reach the best performance. |
