Le Consortium Santé Numérique et IVADO offrent une série d'ateliers Code@santé qui favorise le partage de connaissances, l'utilisation et la découverte de modules et de « packages » utiles à la communauté en santé numérique.
Titre de l'atelier : Ivadomed, un cadre pour l'analyse d'images médicales avec apprentissage profond
L'atelier sera présenté par Naga Karthik Enamundram, Étudiant au doctorat au laboratoire NeuroPoly de Polytechnique Montréal et du MILA
Ivadomed est un package Python open-source pour la conception, la formation de bout en bout et l'évaluation de modèles d'apprentissage profond appliqués aux données d'imagerie médicale. Le package comprend une documentation complète, des API, des outils en ligne de commande et des tutoriels faciles à suivre. ivadomed contient également des modèles pré-entraînés pour la segmentation des tumeurs de la colonne vertébrale et l'étiquetage des vertèbres.
Ses fonctionnalités originales comprennent un chargeur de données qui peut analyser les métadonnées de l'image et du sujet pour un fractionnement personnalisé des données ou des informations supplémentaires pendant la formation et l'évaluation.
Tout jeu de données respectant la convention BIDS (Brain Imaging Data Structure) sera compatible avec ivadomed. Au-delà des architectures traditionnelles d'apprentissage profond, ivadomed présente des techniques de pointe, telles que FiLM (Perez et al., 2017) et HeMis (Havaei et al., 2016), ainsi que des méthodes d'estimation de l'incertitude aléatoire et épistémique, et des pertes adaptées aux classes déséquilibrées et aux prédictions non binaires.
Des exemples d'applications d'ivadomed incluent la détection d'objets en IRM, la segmentation et l'étiquetage de structures anatomiques et pathologiques. La page du projet ivadomed se trouve à l'adresse https://ivadomed.org.
Biographie Naga Karthik Enamundram :
Je suis un étudiant au doctorat au laboratoire NeuroPoly de Polytechnique Montréal et du MILA. Mes travaux actuels portent sur le développement de méthodes basées sur l'apprentissage profond pour la segmentation des lésions de la sclérose en plaques à partir d'images de résonance magnétique (RM) du cerveau et de la moelle épinière.
Ma thèse de maîtrise portait sur la segmentation tridimensionnelle de colonnes vertébrales scoliotiques à partir de volumes de résonance magnétique en utilisant des techniques de modélisation générative profonde pour la synthèse non supervisée et l'estimation bayésienne de l'incertitude dans des contextes d'apprentissage non supervisé. Mon objectif plus large est de rendre les modèles d'apprentissage profond plus interprétables et explicables pour leur déploiement dans des contextes cliniques réels.
