En imagerie médicale, les caractéristiques radiomiques permettent de caractériser l'hétérogénéité d'une région d'intérêt au niveau anatomique. Cette façon de quantifier l'hétérogénéité d'une région d'intérêt peut être utile, par exemple, afin d'identifier les tumeurs les plus agressives en oncologie. Pour ce faire, nous posons ici l'hypothèse que la variation des séquences d'acquisition d'imagerie par résonance magnétique (IRM) et ses différents niveaux de contraste qui en découlent permettrait d'optimiser l'analyse radiomique subséquente.
Dans ce projet, un pipeline d'analyse d'images médicales réelles sera d'abord mis en place afin de quantifier la robustesse des caractéristiques radiomiques en fonction des variations des protocoles d'acquisition. Ensuite, un pipeline de simulation d'acquisition IRM sera développé afin d'évaluer le potentiel d'optimisation des caractéristiques radiomiques en médecine.
Elsa Rousseau
Professeure adjointe
Faculté des sciences et de génie
Université Laval
Elsa Rousseau est professeure adjointe au Département d’informatique et de génie logiciel de la Faculté des sciences et de génie à Université Laval, et au sein du Centre NUTRISS-Nutrition, santé et société. Son programme de recherche porte sur l’étude des interrelations entre le microbiote, les bactériophages et la nutrition, via l’élaboration d’approches en intelligence artificielle pour déterminer leurs impacts sur la santé cardiométabolique.
Elsa a obtenu son diplôme d’ingénieure en bio-informatique et modélisation à l'INSA Lyon en 2011, puis son doctorat de l’université de Nice Sophia Antipolis en 2016, en modélisation de l’épidémiologie et de l’évolution des virus. Elle a ensuite réalisé deux postdoctorats, un premier chez IBM, dans leur réputé Centre de recherche Almaden à San Jose (CA), en modélisation mathématique des dynamiques de populations virales pour l’élaboration d’un nouveau type de traitement, puis un second dans le laboratoire de Jacques Corbeil au Centre de recherche du CHU de Québec-Université Laval, en codirection avec François Laviolette, en bio-informatique et intelligence artificielle pour l’analyse de données métagénomique en santé.
Elsa est membre régulière du Centre de recherche en données massives de l'Université Laval (CRDM), de l’Institut intelligence et données (IID), de l’Institut sur la nutrition et les aliments fonctionnels (INAF), et membre associée à l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA).
Andréanne Allaire
Candidate à la maîtrise
Université de Sherbrooke
Christopher Bilodeau
Stagiaire au premier cycle
Faculté des sciences et de génie
Université Laval
Ce projet consiste en l'amélioration d'une infrastructure technologique. L’objectif est de concevoir une architecture logicielle pour aider les utilisateurs à mieux gérer le traitement des données d’imagerie médicale dont ils disposent. Des composantes du pipeline de données médicales ont été développées et de nouvelles fonctionnalités ont été ajoutées, notamment afin d'assurer le respect des règles éthiques en milieu hospitalier. En somme, le projet vise à faciliter le traitement des données d'imagerie médicale par l'entremise de l’automatisation.
Philippe Després élu directeur du Centre de recherche en données massives de l'Université Laval (CRDM)
Lire plusSandrine Blais-Deschênes récipiendaire du prix "Éthique, confidentialité et acceptabilité sociale" de 1 000$ offert par Beneva
Lire plusSewagnouin Rogia Kpanou récipiendaire du prix "Santé et sciences de la vie" de 2 000$ offert par MEDTEQ+
Lire plusCatherine Régis à la coprésidence du groupe de travail international sur l’IA responsable
Lire plusPhilippe Després obtient un financement pour son projet d’intelligence artificielle en santé
Lire plusDécouvrir
Projet en vedette
Le cancer de la prostate est le deuxième cancer le plus fréquent et la cinquième cause de décès par cancer chez les hommes. Pour améliorer les résultats de santé des patients, le traitement doit être personnalisé en se basant sur un pronostic précis. Il existe déjà des nomogrammes permettant d’identifier les patients à faible risque de récidive sur la base d’informations cliniques préopératoires, mais ces outils n’utilisent pas les images médicales des patients.