Explorer la science

Notre centre de recherche se permet d'anticiper les défis à venir et aide les entreprises à introduire de nouveaux produits et processus. Outre la création de connaissances grâce à nos propres articles de recherche et publications, notre approche scientifique nous donne une vision claire des questions à traiter dans les domaines de l'IA et de la science des données. Nous partageons ces connaissances avec nos employés, nos partenaires universitaires ou commerciaux et nos clients à travers des conférences, des ateliers et des formations. C'est ainsi que nous garantissons notre expertise dans les domaines scientifiques que nous abordons et les technologies que nous utilisons dans nos projets de recherche et avec nos clients. Grâce à notre centre de recherche, nous diffusons les connaissances scientifiques numériques auprès de nos équipes avant de les partager avec nos clients.

2Be3-Net : Combinaison de réseaux neuronaux convolutifs 2D et 3D pour les prédictions d'examens TEP 3D

Une architecture d'apprentissage profond associant un extracteur de caractéristiques 2D à un prédicteur CNN 3D. Elle tire parti d'un modèle 2D pré-entraîné pour extraire des cartes de caractéristiques à partir de coupes TEP 2D. Elle applique ensuite un CNN 3D à la concaténation des feature maps précédemment extraites afin de calculer des prédictions pour chaque patient. Le pipeline proposé surpasse les approches radiomiques TEP en matière de prédiction des récidives loco-régionales et de la survie globale.

Développement et évaluation d'un système automatisé de surveillance des tumeurs par recalage d'images basé sur des images TEP/TDM 3D

Traditionnellement, les médecins nucléaires suivent manuellement les tumeurs, en se concentrant sur les cinq plus grosses (critères PERCIST), ce qui est à la fois long et imprécis. Le suivi automatisé des tumeurs permet une mise en correspondance précise et en temps réel des nombreuses lésions métastatiques entre les différents scanners. La méthode de suivi des tumeurs par recalage d'images proposée, bien qu'elle ne soit qu'une base de référence, fonctionne bien sur l'ensemble de données annotées, composé de cas simples.

Étude d'une technique permettant de réduire les biais liés au cancer dans l'ensemble de données AutoPet

L'intégration d'ensembles de données provenant de différents types de cancer peut améliorer la précision du diagnostic, car les modèles d'apprentissage profond ont tendance à mieux généraliser lorsqu'ils disposent d'un plus grand nombre de données. Cependant, cet avantage est souvent limité par les variations de performance causées par des biais, tels que la sous-représentation ou la surreprésentation de certaines maladies. Nous proposons un modèle invariant au type de cancer capable de segmenter les tumeurs provenant à la fois du lymphome et du cancer du poumon, indépendamment de leur fréquence ou de leur biais de représentation.