L'équipe DEEP_UL a terminé au 3e rang de la compétition DL Sparse View CT challenge organisée par l'American Association of Physicists in Medicine (AAPM). Ce défi numérique consistait à utiliser l'apprentissage profond (ou autre méthode axée sur les données) pour reconstruire des images tomodensitométriques à partir des données brutes. La délégation lavalloise, composée de Cédric Bélanger, Daniel Gourdeau, Maxence Larose et Leonardo Di Schiavi Trotta, a su mettre à profit différentes expertises pour relever avec brio ce défi: calcul informatique de pointe sur GPU, théorie de la formation de l'image et apprentissage automatique. Ces étudiants, supervisés par les professeurs Louis Archambault, Luc Beaulieu, Philippe Després et Simon Duchesne, sont rattachés au programme FONCER en Science des données responsable dans le domaine de la santé, au Centre de recherche sur le cancer, au Centre de recherche en données massives, au Centre CERVO et à l'Institut intelligence et données de l'Université Laval. Leurs travaux sont financés par le Conseil de recherches en sciences naturelles et en génie du Canada (
Bannière
Une équipe de l'Université Laval s'illustre dans un défi numérique en imagerie médicale
Publié le 01 June 2021
News
26 March 2020
Launch of CREATE program website!
Read more
25 September 2020
The management committee of the RHHDS program is now constituted!
Read more
06 November 2020
Online information session (5 @ 6) on RHHDS program
Read moreDiscover
Featured project
Radiotherapy treatments currently used in the clinical field are rarely modified. They generally consist of a global therapy of 50 grays, fractionated in five treatments of two grays every week for five weeks.
Thus, it could be worthwhile to develop a numeric tool, based on mathematical models found in the literature, in order to compare different types of treatment without having to test them on real tissues. Several parameters are known to alter the tissue response after irradiation including oxygen