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.
Une IRM réelle reconstruite en 3D, et les trois régions tumorales de la convention BraTS posées dedans. Tournez le volume, coupez-le plan par plan, allumez chaque région.
Les 240 scores officiels, patient par patient, plutôt que leur moyenne : forme des distributions, transformation de Box-Cox, part de patients sous un seuil que vous réglez. Zoom sur intervalle, courbes à afficher ou masquer, export des mesures.
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.
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.
D'autres sujets et datasets (imagerie pulmonaire, radiographie, autres challenges MICCAI) seront ajoutés au fil des recherches.