Plateforme d'intelligence artificielle dédiée à l'analyse d'images médicales pour assister les professionnels de santé. Elle permet de détecter des anomalies, de suivre l'évolution de pathologies et d'optimiser les diagnostics grâce à des algorithmes avancés. Destinée aux hôpitaux, cliniques et centres de recherche, elle améliore la précision et la rapidité des analyses médicales.

Ce projet développe une plateforme robotisée dédiée à l'assistance en coloscopie, intégrant des technologies avancées de vision par ordinateur et de robotique médicale. Il vise à améliorer la précision des diagnostics et des interventions en gastro-entérologie grâce à des outils automatisés et des algorithmes de détection en temps réel. Le système s'appuie sur des collaborations internationales dans le cadre du réseau ATLAS ITN, regroupant des chercheurs et des experts en imagerie médicale.

Projet dédié à l'application des principes de la physique dans le domaine médical. Il permet de modéliser et simuler des phénomènes physiques pour améliorer la compréhension des processus biologiques, optimiser les protocoles médicaux et analyser des données biomédicales. Les outils développés visent à soutenir la recherche et l'innovation en imagerie médicale et en diagnostic.

Fusion-UNet est un projet de recherche en imagerie médicale utilisant des réseaux de neurones pour segmenter et analyser des images médicales. Il permet d'identifier et de délimiter automatiquement des structures anatomiques ou des anomalies comme des tumeurs, facilitant ainsi le travail des radiologues et améliorant la précision des diagnostics. L'outil s'appuie sur des techniques avancées de deep learning pour traiter des données issues de scanners, IRM ou autres modalités d'imagerie.

Projet dédié à l'analyse avancée d'échocardiographies par intelligence artificielle. Il permet de segmenter automatiquement les images du cœur et de suivre le mouvement des structures cardiaques. Grâce à des modèles de forme et de mouvement préalables, il améliore la robustesse et la précision des diagnostics médicaux, facilitant ainsi le travail des cardiologues et des chercheurs en imagerie médicale.

Développement d'un algorithme de typage du diabète (type 1 vs type 2) à partir de données médicales et administratives. L'outil permet de distinguer les patients diabétiques en utilisant des régressions logistiques pénalisées LASSO sur des cohortes appariées entre dossiers médicaux électroniques et le SNDS. Il vise à améliorer la précision des diagnostics et à soutenir la recherche épidémiologique et économique sur le diabète en France.

Ce projet propose un jeu de données dédié à la segmentation des vaisseaux du foie, issu de travaux de recherche menés par l'Inria. Il permet aux chercheurs et développeurs en imagerie médicale d'accéder à des données annotées pour entraîner et évaluer des modèles d'intelligence artificielle. Ces données sont essentielles pour améliorer les outils de diagnostic et de traitement des maladies hépatiques.

Ce projet vise à automatiser la classification des résultats de tests médicaux entre les périodes S1 et S2. Il permet aux professionnels de santé de gagner du temps dans l'analyse des données et d'améliorer la précision des diagnostics. L'outil s'intègre dans les workflows existants des laboratoires et hôpitaux pour fluidifier les processus décisionnels.

Ce projet vise à développer un outil d'intelligence artificielle pour analyser des images de lames histologiques de cancer du poumon. Il permet de segmenter automatiquement les régions d'intérêt et de détecter les cellules cancéreuses, facilitant ainsi le diagnostic médical. L'objectif est d'assister les pathologistes dans leur analyse en réduisant le temps de traitement et en améliorant la précision des résultats.

Ce projet vise à développer des outils logiciels pour le traitement et l'analyse d'images médicales issues de radiologies. Il permet aux professionnels de santé d'améliorer le diagnostic en exploitant des algorithmes avancés pour détecter des anomalies ou des pathologies. L'objectif est d'assister les médecins dans leur interprétation des examens d'imagerie.