Séminaire « Signal & Image » : détecter les maladies plus tôt
Le 23 avril, à l’Isep, le séminaire « Signal & Image » organisé par le LISITE a réuni trois travaux de recherche dédiés à l’analyse du signal et de l’image pour améliorer la détection des maladies.
Le 23 avril dernier s’est tenu à l’Isep le séminaire de recherche « Signal & Image ». Organisé par le LISITE, le laboratoire de recherche de l’école, à l’initiative de Dr Hélène URIEN, enseignante-chercheuse à l’Isep, cet événement a réuni les interventions de trois jeunes chercheurs co-encadrés par des enseignants-chercheurs de l’Isep autour de cette thématique. Leurs travaux ont pour point commun de contribuer à rendre plus lisibles et détectables plus précocement les marqueurs de plusieurs maladies, grâce à des approches avancées en traitement du signal, de l’image et en intelligence artificielle.
Mieux caractériser les séquelles pulmonaires post-tuberculose
Usman Musa NUHU, doctorant à Télécom SudParis, co-encadré à l’Isep par Pr Maria TROCAN, a présenté ses travaux sur l’analyse computationnelle des anomalies pulmonaires post-tuberculose à partir d’images scanner. Son approche combine des méthodes classiques de traitement d’image, notamment la morphologie mathématique, et des techniques d’intelligence artificielle comme le modèle nnU-Net pour affiner la segmentation des structures pulmonaires. Ces travaux permettent de quantifier des altérations telles que les déformations des voies aériennes, les lésions ou les anomalies vasculaires, et visent à passer d’une évaluation qualitative à une analyse plus précise et reproductible.
Identifier de nouveaux biomarqueurs dans le cancer colorectal
Yinhang WU, doctorante à l’Isep, co-encadrée par Dr Xun ZHANG (HDR) et Dr Nan DING, développe des méthodes de pathologie computationnelle pour détecter automatiquement les structures lymphoïdes tertiaires dans des images histologiques. Grâce à des modèles d’apprentissage profond entraînés sur des données annotées, ses travaux visent à caractériser ces structures et à construire un score prédictif de la réponse à l’immunothérapie. L’intégration de données multimodales est également explorée pour améliorer la personnalisation des traitements.
Réduire l’annotation des données pour mieux détecter l’épilepsie
Dr Shen LIANG, post-doctorant au Lipade (Université Paris-Cité), co-supervisé par Dr Alexandra LEVCHENKO, a présenté une méthode d’apprentissage actif non supervisé pour détecter les signaux liés à l’épilepsie dans les données EEG. Son approche permet de sélectionner efficacement les données à annoter à partir de jeux non étiquetés, réduisant jusqu’à 95 % le besoin d’annotation manuelle tout en maintenant de hautes performances. Ces travaux ouvrent des perspectives pour le développement d’outils d’aide au diagnostic exploitant de grandes bases de données.
Ces trois travaux illustrent le rôle croissant du traitement du signal, de l’image et de l’intelligence artificielle pour améliorer la détection des maladies. Ils témoignent du dynamisme de la recherche à l’Isep et de son engagement au service de la santé.
