Descriptif
Ce cours comporte une première partie sur le recalage et l'analyse statistique de forme en utilisant soit des métriques basées sur l'intensité des pixels soit des points d'intérêt (i.e., landmarks).La deuxième partie introduit le concept de graphe et comment l'utiliser pour l'appariement et la segmentation.La troisième partie propose un panorama succint de l'imagerie médicale structurelle, aussi bien du point de vue des techniques d'acquisition que des applications en traitement d'images. Les étudiants pourront ensuite tester les méthodes de segmentation vues dans les UE précédentes sur different types d'images médicales (dermoscopique, rayons X, IRNM). Evaluation : Analyse d'articles et rapports sur les TP.Objectifs pédagogiques
Acquis d'apprentissage À l'issue de ce cours, l'élève sera capable de: \- Identifier un modèle d'images permettant de concevoir un algorithme de résolution d'un problème d'imagerie donné. Précisions : Décrire et analyser un modèle de recalage permettant d’aligner deux images, ou un modèle déformable (snake, level-set) permettant de résoudre un problème de segmentation. \- Expliquer les principes physiques régissant la formation des principales modalités d’images médicales et microscopiques. Exemples : Identifier les éléments de la chaine d’acquisition d’une modalité d’imagerie donnée permettant d’expliquer sur une image fournie le contraste observé entre deux structures ou l’origine d’un artefact observé. \- Identifier un modèle de modélisation de variabilité entre formes d’objets extraits d’images pour une analyse statistique sur une cohorte d’exemples. Précisions : Décrire et analyser un modèle statistique de paramétrisation de formes. Expliquer la notion d’atlas de formes ou de modèle de déformations encodé par le modèle. \- Concevoir une chaine de traitements pour la segmentation ou le recalage adaptée aux propriétés visuelles des images à traiter. Précisions : faire le choix d’un pré-traitements jugé nécessaire ou avantageux (par ex, débruitage d’image), d’une fonction de coût, d’une méthode d’initialisation, et d’une méthode de réglage des hyper-paramètres. Compétences de rattachement (et justification) \- BC5.1 – Modéliser mathématiquement une situation, des données, des phénomènes physiques dans le contexte du numérique; Justification : BC5.1 – Modéliser mathématiquement une situation, des données, des phénomènes physiques dans le contexte du numérique Analyse de systèmes d'acquisition d'images, et optimisation d'algorithmes de traitement d'images appliqués à la fin de la chaîne d'acquisition. \- BC5.2 – Concevoir un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : Conception d'algorithmes de pré-traitement d'images suivis de recalage ou segmentation. \- BC5.4 – Tester, gérer un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : L'UE propose plusieurs cas d’usages pour évaluer la qualité d’un outil d’aide à la décision.
24 heures en présentiel
10 heures de travail personnel estimé pour l’étudiant.
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Littérale/grade américainPour les étudiants du diplôme M2 BME - Ingénierie BioMédicale
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- 7 ≤ note initiale < 10
- Crédits ECTS acquis : 3 ECTS
La note obtenue rentre dans le calcul de votre GPA.
