- Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
- Diplôme : Master
- Mention : Ingénierie de la santé
- Parcours : M2 Medical imaging, signals and systems
- Unité d'enseignement : Machine Learning for medical image analysis
Nombre de crédits de l'UE : 3
Code APOGEE : POL2064M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
Type d'enseignement
Nb heures *
Cours Magistraux (CM)
21 h
Travaux Pratiques (TP)
9 h
Durée de projet en autonomie (PRJ)
0 h
Effectif Cours magistraux (CM)
210 étudiants
Effectif Travaux dirigés (TD)
35 étudiants
Effectif Travaux pratiques (TP)
18 étudiants
Activité tuteurée personnelle (étudiant)
0 h
Activité tuteurée encadrée (enseignant)
0 h
Heures de Tutorat étudiant
0 h
* Ces horaires sont donnés à titre indicatif.
Compétences attestées (transversales, spécifiques) :
Non rédigé
Programme de l'UE / Thématiques abordées :
This teaching unit aims at presenting the fundamentals of machine learning and deep learning applied to the analysis of medical images, through courses and practical work. For more than a decade, these methods have changed the way we approach image processing problems and have achieved unprecedented performances. This introduction focuses on the basic principles of these methods and their applications, and provides the knowledge basics to understand and implement more advanced state-of-the-art methods. The lectures are organized as follows : 1- Introduction to Machine Learning for Medical Image Analysis. A Case study. (1h) 2- Feature extraction (2h) From Image-based (gradient, texture) and bio-inspired (i.e kinetic modeling) to radiomics features 3- Supervised Learning (4h) Principles and fundamentals, Kernel machines, Decision trees, Neural Networks 4 - Unsupervised Learning (4h) Principles and fundamentals, clustering, dimensionality reduction, and applications 5 - Deep Learning (4h) Why CNN and deep? Basic elements of convolutional neural network, Training optimization and regularization Common deep architectures for classification, segmentation and localisation, 6 – Performance and comparison assessments (1h during lab) Cross-validation and (paired) t-test Labs : Machine Learning 4h
Deep learning : 4h
Thomas GRENIER: PhD - Associate Prof. INSA - CREATIS
Nicolas DUCHATEAU: PhD - Associate Prof. UCBL - CREATIS
Carole LARTIZIEN: PhD - DR CNRS - CREATIS
Liste des autres Parcours / Spécialité / Filière / Option utilisant cette UE :
Date de la dernière mise-à-jour : 19/09/2022
SELECT MEN_ID, `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`, `PAR_ID` FROM parcours INNER JOIN ue_parcours ON PAR_ID_FK=PAR_ID INNER JOIN mention ON MEN_ID = PAR_MENTION_FK WHERE PAR_ACTIVATE = 0 AND UE_ID_FK='24707' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`
