Projets en cours

L’objectif principal de ce projet de recherche est de détecter la douleur à un stade précoce en analysant les images médicales des patients. 
Le développement d'un algorithme à cette fin peut être réalisé en combinant deux techniques informatiques: une permettant de collecter des informations sur la douleur à partir de notes médicales et une autre extrayant des informations à partir d'images médicales. Nous utiliserons la première technique dans un programme informatique permettant d'extraire et de quantifier l'intensité de la douleur enregistrée dans les notes médicales des patients. 
La deuxième technique sera utilisée dans un autre programme qui analysera des images radiographiques de patients atteints de cancer pour extraire des informations sur métastases osseuses (telles que le volume, la densité et la forme de la tumeur). Ensuite, nous mettrons en œuvre des techniques statistiques et mathématiques avancées pour modéliser la relation entre les caractéristiques tumorales identifiées et les intensités de douleur extraites. 
Enfin, pour valider notre modèle, nous utiliserons les scores de douleur collectés directement auprès de milliers de futurs patients atteints de cancer via une application mobile développée dans notre groupe (opalmedapps.com). 
 

Ce projet vise à déterminer si les résultats rapportés par les patients atteints d'un cancer de la prostate sont mieux corrélés avec la dose réelle administrée qu'avec la dose prévue pour leur radiothérapie.

Le projet utilisera des images tomodensitométriques quotidiennes à faisceau conique pour calculer la dose de rayonnement quotidienne et totale délivrée aux patients ainsi que l'application Opal pour recueillir les résultats rapportés par les patients.  

Ce projet consiste à établir les bonnes pratiques en gestion des données de santé et à construire une infrastructure logicielle afin de les appliquer.

Nous avons développé des pipelines qui permettent de récupérer quotidiennement les données de traitements de curiethérapie afin de calculer et stocker leurs indices dosimétriques dans une base de données dédiée à la recherche. Ces indices sont essentiels à la planification des traitements en radiothérapie et à l’estimation de leur qualité.

L’agrégation de ces indices permet aux différents chercheurs comme les bio-statisticiens et les radio-oncologues d’effectuer des études sur des ensembles de données plus volumineux.

La tomodensitométrie (TDM) à double énergie a le potentiel de mieux caractériser les matériaux. Cette modalité permet d’obtenir des données plus justes sur la nature des tissus présents dans l'anatomie humaine. La présence d'éléments de haute densité (par exemple la région de l'épaule, la fosse postérieure, les inserts métalliques, etc.) dans le sujet scanné entraîne une détérioration de la qualité de l'image CT (par exemple des artéfacts de durcissement du faisceau). La nature polychromatique du faisceau de rayons X utilisé dans les scanners CT est à l'origine de certains de ces artéfacts.

Dans ce travail, nous proposons un modèle de projection polychromatique riche en physique qui utilise les informations du spectre, la réponse du détecteur, la géométrie du filtre et une courbe de calibration. Ce modèle est intégré dans un algorithme de reconstruction itératif et réduit intrinsèquement les artéfacts de durcissement du faisceau. Avec les acquisitions à double énergie, il est possible de reconstruire des images quantitatives, avec des informations sur le numéro atomique effectif et la densité électronique. En outre, diverses techniques de reconstruction sont explorées, de sorte que des images de haute qualité peuvent être obtenues avec moins d'artéfacts, améliorant ainsi la caractérisation et l'identification des éléments dans l'image.

Ce projet de doctorat s'intéresse à la synthèse d'images médicales par l'apprentissage profond, à des fins de correction d'artefacts et d'éviter l'injection d'agents radioactifs ou de contraste.

Les réseaux utilisés possèdent une architecture flexible permettant la synthèse d'image à partir d'un ensemble hétérogène de modalités d'entrée. Les images sont synthétisées dans un cadre pathologique, comme la maladie d'Alzheimer et les cancers du cerveau.

Ce projet porte dans un premier temps sur la conception de modèles de classification de type réseaux convolutionnels (CNNs) en utilisant des données de spectrométrie de masse (1D et 2D) pour le diagnostic clinique.

Une fois finalisé, le 2éme objectif est l’interprétation de ces modèles de classification afin d’identifier les régions spectrales d’intérêt qui peuvent correspondre à de nouveaux biomarqueurs de diagnostic ou de thérapeutique.

Le projet doctoral porte sur l'utilisation de techniques d'apprentissage machine en radiothérapie externe pour la planification de traitement de cancer.

Plus précisément, l'analyse de frontière stochastique, une méthode paramétrique utilisée en économétrie, est adaptée pour le contexte de la physique médicale. Il est ainsi possible de prédire, à l'aide d'une banque rétrospective de patients traités, la dose de radiation optimale à la tumeur et aux organes sains.

Cette méthode est appliquée à plusieurs sites de traitement de cancer, chacun présentant leur propre défi au niveau de la prédiction et du traitement de données.

La classification supervisée permet de construire des modèles prédictifs basés sur des données complexes pour aider aux processus de décision. Elle a subi un essor impressionnant ces dernières années, notamment grâce aux réseaux de neurones et à l'utilisation de données massives. Cependant, les méthodes mise au point dans ce cadre ne permettent pas de prendre en considération des bases de données dans lesquelles seules quelques instances sont disponibles pour construire le modèle, et encore moins quand ces instances sont décrites par un grand nombre de caractéristiques. Ce type de problème, appelé en anglais "fat data", en opposition aux "big data", est récurrent dans le domaine de la médecine, où l'extraction de données sur un patient a un coût très élevé, mais fourni une grande quantité d'information. De plus dans le domaine médical, il est fréquent d'avoir plusieurs types d'analyses réalisées sur le même patient : génomique, métabolomique, transcriptomique, etc. Ce type de bases de données est appelé multi-omique.

Le but de ce projet est donc d'utiliser et de mettre au point des algorithmes de classification multi-vues pertinents pour le traitement de données multi-omiques "fat".