Description
Cette formation à l’intersection de plusieurs disciplines (intelligence artificielle, deep learning, traitement du signal et des images, physique de l’imagerie…) répond à un besoin croissant dans les secteurs où l’IA est utilisée pour améliorer la qualité des reconstructions, accélérer les acquisitions ou exploiter des données d’imagerie complexes.
La diversité et le caractère transversal des méthodes présentées permettent d’aborder les applications les plus matures en imagerie médicale, scientifique et industrielle.
Tarif adhérent : 2500€ / participant (net de taxe)
Intra-entreprise : Sur devis
À l’issue de cette formation, les participants seront capables de :
- Comprendre la nature des problèmes inverses en imagerie.
- Identifier les principales approches classiques et basées sur l’IA.
- Mettre en œuvre des méthodes d’apprentissage profond pour la
reconstruction d’images. - Comparer les performances des approches traditionnelles et des approches
fondées sur les réseaux de neurones. - Évaluer les limites, la robustesse et l’interprétabilité des modèles
Profil des béneficiaires
Pour qui
Ingénieurs R&D, data scientists, chercheurs, doctorants, enseignants-chercheurs en intelligence artificielle, traitement du signal, vision par ordinateur, mathématiques appliquées, physique, imagerie ou génie biomédical.
Les secteurs d’activité concernés sont, sans s’y limiter : santé et imagerie médicale, industrie (contrôle non destructif, vision industrielle), spatial et observation de la Terre, recherche scientifique, photonique, robotique, énergie, géosciences…
Prérequis
- Pratique régulière de Python ;
- Bases en machine learning et en réseaux de neurones ;
- Connaissances en algèbre linéaire et en optimisation.
Une première expérience en traitement d’images ou en traitement du signal est souhaitable mais pas indispensable.
Contenu de la formation
-
Séance 1 – Introduction aux problèmes inverses en imagerie
- Modèle direct et problème inverse
- Exemples (tomographie (CT), IRM, microscopie, imagerie satellitaire, imagerie
computationnelle…) - Problèmes mal posés (Hadamard)
- Bruit, données incomplètes, données dégradées
- Notions de régularisation
- Mise en pratique : reconstruction simple sous Python ; effet du bruit sur un problème inverse
-
Séance 2 – Méthodes classiques de résolution
- Optimisation : moindres carrés, régularisation de Tikhonov, variation totale, parcimonie, ondelettes ; et méthodes itératives (gradient, ISTA, FISTA)
- Mise en pratique : comparaison de plusieurs méthodes sur un problème de
défloutage.
-
Séance 3 – Introduction au Deep Learning pour l’imagerie
- Rappels : réseaux de neurones, CNN, autoencodeurs, U-Net, ResNet ; fonctions de coût ; apprentissage supervisé, auto-supervisé ; equivariance ; jeux de données ; métriques : PSNR, SSIM, MSE
- Mise en pratique : construction d’un réseau de reconstruction simple avec PyTorch et DeepInverse.
-
Séance 4 – IA pour les problèmes inverses : méthode hybrides
- Apprentissage end-to-end ; Unrolled Networks ; Deep Image Prior ; Plug-and-Play Priors ; Diffusion Models ; Transformers pour la reconstruction ; Physics-Informed Neural Networks (PINNs)
- Études de cas : Reconstruction CT faible dose ; IRM accélérée ; Super-résolution ; Déconvolution
- Mise en pratique avec DeepInverse : Comparaison méthode classique, end-to-end, hybride
-
Séance 5 – Évaluation, robustesse et perspectives
- Généralisation ; Robustesse au bruit ; Interprétabilité ; Biais ; Incertitude ; Validation clinique/industrielle
- Perspectives : IA générative ; modèles de fondation ; apprentissage auto-supervisé
- Mise en pratique : analyse comparative de plusieurs méthodes sur un même jeu de
données.
Équipe pédagogique
-
Responsable
Nelly Pustelnik, CNRS Senior Research Scientist
-
Intervenant
Julian Tachella, CNRS Research Scientist
- Attestation de formation
Ressources techniques et pédagogiques
- Alternance d’exposés théorique
- Études de cas
- Exercices d’application
- Des aménagements peuvent être étudiés afin d’adapter les modalités pédagogiques et les conditions de formation aux besoins spécifiques de chacun.