Imagerie médicale
Recherche indépendante en deep learning appliqué à l'imagerie médicale 3D : segmentation tumorale, conception de fonctions de perte domain-aware, analyse topologique des défauts de prédiction, métriques cliniquement pertinentes plutôt que benchmarks agrégés.
Challenges et datasets
Segmentation 3D de tumeurs cérébrales (gliomes, métastases) sur IRM multimodales T1 / T1ce / T2 / FLAIR. MedNeXt, nnU-Net v2, fonctions de perte auxiliaires, filtrage par composantes connexes.
À venir
Transposition de la fonction de perte de contour de Kervadec (ablation CE / CE+Dice / CE+Dice+Boundary) à la segmentation 3D de tumeurs cérébrales BraTS — pendant méthodologique du papier Cityscapes, appliqué à l'imagerie médicale. Publication en préparation.
D'autres sujets et datasets (imagerie pulmonaire, radiographie, autres challenges MICCAI) seront ajoutés au fil des recherches.