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 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 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.

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.

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.

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 développe un modèle de classification des formes cliniques de sclérose en plaques à partir d'images d'IRM T1w. Il utilise des réseaux de neurones convolutifs graphiques pour analyser la connectivité morphologique cérébrale. Les données extraites d'atlas cérébraux sont exploitées pour améliorer la précision diagnostique et soutenir la recherche médicale dans le domaine des maladies neurodégénératives.

Ce projet explore l'intégration de l'intelligence artificielle dans le domaine médical pour améliorer les diagnostics, optimiser les traitements et accélérer la recherche. Il couvre des applications comme l'analyse automatisée d'images médicales (radiographies, IRM), l'assistance aux chirurgiens via des robots, et la personnalisation des soins en fonction des données génétiques ou des antécédents des patients. L'objectif est de rendre la médecine plus précise, rapide et adaptée aux besoins individuels.

Ce projet développe des modèles d'intelligence artificielle pour classifier des IRM cérébrales en distinguant des états comateux et non-comateux. Il compare les performances de plusieurs architectures de réseaux de neurones profonds (comme LeNet17) et applique des techniques de transfert d'apprentissage pour améliorer la précision des diagnostics. Les résultats sont utilisés pour soutenir la recherche médicale et l'analyse automatisée d'images médicales.

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.