Table of Contents

Amélioration de la robustesse d'algorithmes d'analyse automatique d'images biomédicales

Notre équipe développe des méthodes génériques de classification et de segmentation automatique d'images basée sur l'apprentissage automatique et les applique sur des problèmes concrets.

Dans le domaine biomédical, les procédures d'acquisition d'images peuvent être variables (allant des protocoles expérimentaux aux microscopes générant les images) et peuvent produire des images aux caractéristiques différentes (résolution par pixel, intensités et couleurs des pixels, luminosité, contraste, etc.) pour un même échantillon, comme illustré ci-dessous. En pratique l'utilisation de méthode d'analyse d'images est parfois limitée par le manque de robustesse des algorithmes vis-à-vis de ces variations.

Le but de ce travail est d'évaluer la robustesse d'un algorithme proposé par notre équipe (basé sur des arbres de décision), de mieux caractériser les variations découlant des procédures d'acquisition, et d'adapter l'algorithme pour le rendre davantage robuste dans le contexte d'images cellulaires et tissulaires en très haute résolution (plusieurs dizaines de milliers de pixels de haut et de large). En cancérologie, ces algorithmes peuvent être utilisés pour aider les experts médecins à mesurer l'effet de traitements ou faire du dépistage précoce de maladies.


Bibliographie

Profil

Nous recherchons un étudiant motivé par l'imagerie, le traitement d'images, l'apprentissage automatique (arbres de décision) pour l'analyse d'images, les gros volumes de données, et concerné par l'utilité pratique de son travail et de son code. L'étudiant pourra réaliser son travail au sein de l'équipe au GIGA et bénéficier de son infrastructure informatique de pointe.

Renseignements

Raphaël Marée (raphael.maree@ulg.ac.be)