L'organisme de formation continue du CNRS
Accueil > Deep learning pour l'analyse d'images médicales

Formation - Deep learning pour l'analyse d'images médicales

Se préinscrire ou s'inscrire à cette formation Télécharger cette fiche
RESPONSABLES

Michaël SDIKA

Ingénieur de recherche

UMR 5220

Thomas GRENIER

Maître de conférences

UMR 5220

Carole LARTIZIEN

Directrice de recherche

UMR 5220

LIEU

VILLEURBANNE (69)

ORGANISATION

3 jours
De 7 à 20 stagiaires

MÉTHODES PÉDAGOGIQUES

- Alternance de cours (50 %) et de travaux pratiques (50 %)
- Travaux pratiques encadrés par deux intervenants
Tout au long de la formation, des exercices corrigés permettront au stagiaire d'évaluer son acquisition des connaissances.
Un fichier au format PDF sera mis à disposition du stagiaire.

COÛT PÉDAGOGIQUE

1836 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATE DU STAGE

25012 : du mercredi 03/09/2025 au vendredi 05/09/2025 à VILLEURBANNE

2025
Janvier Février Mars Avril
Mai Juin Juillet Août
Sept
25012		 Oct Nov Déc
OBJECTIFS
-

Connaître le principe des modèles avancés d'apprentissage profond pour les principales tâches d'analyse d'images médicales et de microscopie (standard, en fluorescence, tomographique, électronique) : détection, segmentation, prédiction, apprentissage de représentation


-

Avoir un état de l'art des avancées dans le domaine de l'interprétabilité et de l'estimation de l'incertitude des modèles


-

Savoir mettre en ?uvre ces algorithmes d'apprentissage profond pour différents types de données d'imagerie médicale et de microscopie


-

Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l'impact de différents paramètres d'apprentissage

PUBLIC
Chercheurs, ingénieurs
PRÉREQUIS
- Connaissances de base en traitement d'images
- Maîtrise d'un langage de programmation (conseillé : connaissances minimales en Python)
PROGRAMME
L'objectif de cette formation est de présenter les bases de l'analyse d'images médicales par apprentissage profond et de les mettre en ?uvre sous forme de travaux pratiques. Nous présenterons également les dernières avancées dans le domaine en couvrant les différentes échelles d'analyse de l'image, depuis le
traitement et l'extraction d'information au niveau du pixel (detection, segmentation...) jusqu'à la modélisation des processus d'aide au diagnostic et au pronostic.
Ces différents concepts seront abordés sous forme de journées thématiques mêlant cours (50 %) et travaux pratiques (en Python, SciPy, PyTorch, Tensorflow) (50 %) sur des problématiques concrètes d'imagerie médicale et de microscopie, et prenant en compte les questions critiques de la communauté concernant l'apprentissage sur peu de données, sur des données manquantes, hétérogènes, et la nécessité de développer des modèles robustes, interprétables et assujettis d'une mesure d'incertitude.

Le programme détaillé est téléchargeable ICI.
EQUIPEMENT
Il sera demandé aux stagiaires de se munir de leur propre ordinateur portable. Les recommandations liées à la préparation des machines seront communiquées avant le début du stage.
INTERVENANTS
Chercheurs et enseignants-chercheurs membres du laboratoire CREATIS