OrateursOrateurs principaux (Keynotes)
Sorbonne Université, CNRS, LIP6 Keynote : IA hybride et explicable pour l'interprétation d'images médicales Cette présentation portera sur l'IA hybride et explicable, plus spécifiquement dans le domaine du raisonnement spatial et de l'interprétation d'images médicales. L'interprétation d'images bénéficie de la modélisation de connaissances sur la scène observée et les objets qu'elle contient, ainsi que sur leurs relations. Nous montrons dans ce contexte l'apport de l'intelligence artificielle hybride, combinant différents types de formalismes et de méthodes, et associant les connaissances aux données. Biomedical Imaging Group and Center for Imaging Keynote : Deep Learning Model for Biomedical Image Analysis Deep learning (DL) models have profoundly reshaped biomedical imaging, transforming tasks such as image reconstruction, restoration, processing, segmentation, and quantitative analysis. Despite their apparent simplicity—being trained solely on example images—DL models present significant challenges, risks, and require advanced expertise. In this presentation, we will explore key considerations for deploying DL models, stressing the shift from model-based approaches to data-driven methods. The first critical step is to check whether deep learning is truly necessary. If so, designing a DL image analysis pipeline involves balancing task-specific decomposition versus end-to-end systems and determining the learning strategy—supervised or self-supervised. The well-known architectures used in imaging, including CNNs, U-Nets, GANs, and Vision Transformers, will be reviewed. Using examples from bioimaging field, we will then demonstrate how to choose between training from scratch, fine-tuning, or directly using pre-trained models, including foundation models such as Segment Anything Model. The importance of creating valid and representative training datasets will also be highlighted, as this remains a persistent bottleneck in biomedical contexts where annotated data are rare. Finally, we will address broader challenges, including trust, ethical data usage, and the sustainable use of computational resources. OrateursBéatrice Berthon-Walker, Physics for Medicine Paris L'IA pour explorer les données ultrasonores
L'imagerie par ultrasons produit aujourd'hui des données multiparamétriques, tri-dimensionnelles et hautement résolues en temps et dans l'espace. Cette augmentation exponentielle de quantité de données appelle naturellement des techniques d'apprentissage automatique pour en extraire le maximum d'information. Depuis l'automatisation d'analyses complexes jusqu'à l'identification de nouveaux motifs spatio-temporels, cet exposé illustrera les applications les plus prometteuses de l'apprentissage automatique à l'imagerie ultrasonore.
Carole Frindel, Creatis Fusion multimodale et apprentissage profond pour des décisions thérapeutiques personnalisées Dans le contexte de la médecine de précision, la prise de décisions thérapeutiques repose sur l’intégration de données multimodales, telles que des images médicales, des données cliniques et des informations textuelles issues des comptes rendus. Cette approche, illustrée ici par le cas de l'AVC et du traitement par thrombectomie, vise à mieux comprendre les interactions complexes entre ces données pour proposer des interventions personnalisées. Enfin, l’intégration des informations textuelles, comme les comptes rendus médicaux, est une perspective en plein essor. Des modèles multimodaux tels que ViLT (Vision-and-Language Transformer) permettent d’associer images et textes dans une représentation commune, ouvrant de nouvelles possibilités pour affiner les décisions thérapeutiques. Florence Forbes, Pixyl, INRIA Modèle de diffusion génératif et design expérimental bayèsien pour l'optimisation de l'acquisition en IRM
Un des principaux défis pour tirer pleinement parti de l'imagerie par résonance magnétique (IRM) en clinique est d'accélérer les temps d'acquisition sans trop dégrader la qualité des images produites. Cet objectif repose sur la recherche d'un compromis entre le sous-échantillonnage des mesures brutes de l'espace k pour des acquisitions plus rapides et la collecte de suffisamment d'information pour des reconstructions d'images haute fidélité. Pour trouver un tel équilibre, nous proposons d'utiliser un plan d'expériences bayésien séquentiel (BED en anglais), qui permet une recherche séquentielle des mesures de l'espace k les plus informatives pour une tache cible particulière. L'approche BED considère la reconstruction comme un problème inverse bayésien dont l'objectif est d'estimer une distribution a posteriori des images conditionnellement à un sous-ensemble de mesures brutes. Ces mesures sont augmentées séquentiellement avec de nouveaux échantillons en fonction du gain d'information qu'ils fournissent sur la loi a posteriori ciblée. Dans ce contexte, la grande dimension des images est gérée efficacement par l'utilisation d'un modèle génératif basé sur des diffusions. Les performances de cette approche sont illustrées sur diverses taches de reconstruction et d'analyse d'IRM.
Hervé Delingette, INRIA, Epione Incertitude en analyse d'images biomédicales : Une vérité terrain qui dérange La plupart des méthodes de traitement d'images biomédicales reposent sur l’existence de données censées représenter la "vérité terrain", que ce soit pour l’apprentissage des modèles ou pour l’évaluation de leur performance. Cependant, dans de nombreuses tâches d’analyse d’images, cette vérité terrain est rarement absolue : elle est souvent multiple en raison de la variabilité des avis entre experts, et parfois partielle ou biaisée en raison de la difficulté à produire des annotations de qualité. Jean-Philippe Thiran, EPFL Microstructure imaging by diffusion MRI: modeling, simulation, machine learning, application to brain imaging and more
Abstract: Magnetic resonance (MR) imaging is the reference imaging modality both for functional and structural study of the human brain. Diffusion MR imaging allows measuring the water diffusion properties in every voxel of a volume. When considering the white matter of the brain, this low-level information allows to infer higher-level information, namely about the orientation of the neuronal fiber bundles, and therefore about brain connectivity as a whole. In this talk we will first give a brief introduction to the physical phenomenon of diffusion and how it can be used in MRI to infer brain neuronal fiber orientation information. Then we will show that it actually can provide much more information than just fiber orientation. Indeed, by developing realistic tissue microstructure models, advanced diffusion MR sequences and robust model estimation techniques, we will show how to estimate tissue parameters at the microscopic scale from the macroscopic MR signals. In particular, we will introduce some of our recent works in this domain, where hyper-realistic synthetic tissue models, advanced Monte-Carlo simulations and ML-based estimation techniques are developed and combined. We will show the application of those techniques to address the analysis of the brain microstructure and discuss their potential in the analysis of other tissues.
Juliette Griffié, SciLifeLab Towards data driven interpretable analytics for microscopy with generative AI
Microscopy plays an instrumental role in biomedical research, since it enables to visualise key signalling processes at the single cell level. Although it has improved our understanding of diseases as well as led to new drug development, it remains also heavily constraint by limited resources and hypothesis driven methodology, often leading to biased results. We will show here how we can combine microscopy with generative AI based analysis pipeline for fully data driven applications in cancer research and diagnosis. We will further discuss how models' architecture can be tailored to provide biologically interpretable insights on predictions, fostering discoveries on the biological processes studied.
Marco Lorenzi, INRIA, Epione Apprentissage fédéré en santé : où nous en sommes, leçons apprises et perspectives futures
Malgré l'intérêt croissant de la recherche pour l'apprentissage fédéré, l'application de ce paradigme d'apprentissage décentralisé dans les applications de santé accuse un retard. Dans cet exposé, nous allons examiner les principaux défis théoriques et pratiques qui empêchent l'adoption de l'apprentissage fédéré dans les applications en santé, tels que la gestion de données hétérogènes et incomplètes, les problèmes de sécurité et la nécessité d'une technologie fiable et sécurisée. Nous présenterons également nos contributions méthodologiques et logicielles pour surmonter ces défis, en mettant l'accent sur l’application courante de systèmes fédérés d'analyse avancés pour les données d'imagerie multimodales dans les domaines du cancer et de la neuroimagerie.
Nicolas Duchateau, Creatis Apprentissage de représentation et fusion d'informations pour l'analyse de la fonction cardiaque à l'échelle de la population. Il est crucial d’aller au-delà des mesures d’imagerie faites en clinique pour caractériser la complexité des pathologies de la fonction cardiaque. Les récents progrès en imagerie et en apprentissage automatique permettent d’extraire des biomarqueurs physiologiques fins des images. Néanmoins, un autre enjeu majeur est l’analyse de cette quantité de données, de haute dimension et de types hétérogènes, à l’échelle de populations. Cette présentation donnera une vue d'ensemble de nos travaux récents intégrant l'apprentissage de représentation et la fusion d'informations multimodales pour enrichir à la fois l'extraction de biomarqueurs physiologiquement pertinents, et pour analyser ces données à l'échelle d'une population, en particulier en tenant compte de la complémentarité des biomarqueurs disponibles.
Olivier Colliot, Aramis Lab, ICM Reproductibilité et validation : l’IA est une science expérimentale L’IA en imagerie médicale est une science expérimentale. Tel sera le point de vue adopté dans cet exposé. Malheureusement, elle n’a pour l’instant que très partiellement adopté les approches et pratiques des sciences expérimentales. Ce thème sera abordé de deux points de vue : la reproductibilité et la validation. Concernant la reproductibilité, nous présenterons d’abord un cadre conceptuel, distinguant différents types de reproductibilité, puis examinerons les pratiques de la communauté. Concernant la validation, bien qu’elle soit un aspect central de notre domaine, notamment lors de la comparaison de méthodes, nous montrerons que les pratiques prédominantes en imagerie médicale computationnelle ne sont pas satisfaisantes, peuvent conduire à des conclusions hasardeuses et ne sont pas conforme à l’exigence de reproductibilité des sciences expérimentales. Thomas Walter, IC, Mines Paris Tech Vision par ordinateur pour l’histopathologie et la transcriptomique spatiale Les lames histologiques numérisées sont des images microscopiques de coupes tissulaires colorées, couramment utilisées dans les centres de traitement du cancer pour le diagnostic, la stratification des patients et l’orientation des choix thérapeutiques. Ces images sont de haute résolution, souvent composées de centaines de milliers de cellules, ce qui rend leur analyse complexe et nécessite des approches algorithmiques spécialisées. Virginie Uhlmann, BioVisionCenter, ETH Unsupervised exploration of biological morphology in microscopy images Modern microscopy generates large amounts of imaging data across a vast range of spatiotemporal scales and at various resolutions, broadening the extent of observable morphological features in biological systems. Once segmented, the morphology of individual objects is classically quantified by assembling a feature vector composed of a collection of handcrafted measurements. These measurements are often manually selected and the resulting descriptor thus only provide a limited, targeted description of the overall object morphology. In this talk, I will discuss some of our recent efforts leveraging self-supervised representation learning to extract descriptors of biological morphology directly from microscopy images and without manual intervention. I will give a glimpse of how such approaches can be used to recover cell type identities that match with gene expression data from visual information alone, and how they can inspire the construction of generative frameworks for shape analysis. Xavier Descombes, Inria univ d'Côte d'Azur Intelligence artificielle et Histopathologie Dans cet exposé nous évoquerons différents modèles de réseaux neuronaux pour analyser les images en histopathologie. Les applications visées concernent la classification des sous-types de cancers du rein, l'analyse des réseaux vasculaires et des structures rénales dans le cas du diabètes ou des greffons, ou encore la prédiction de récidive du cancer du poumon. Nous aborderons entre autres les problèmes de l'interprétabilité, de l'auto-supervision et de la frugalité.
|
| Personnes connectées : 4 | Vie privée | Accessibilité |
|
