Modèles d’Apprentissage et de Perception Visuelle Intelligents pour l’Imagerie Médicale et les Diagnostics Guidés par l’Image.
Dans le domaine de l’imagerie médicale et de la radiothérapie guidée par l’image, la qualité des images acquises a un impact profond sur le diagnostic précis et la planification du traitement. Ce projet de recherche est motivé par le besoin pressant d’améliorer la qualité des images et d’automatiser la détection des lésions dans les images médicales, en particulier celles provenant de scanners CT et PET à faible dose, essentiels pour réduire l’exposition des patients aux radiations. En utilisant la vision par ordinateur et l’apprentissage profond, nos objectifs consistent à développer des modèles avancés pour améliorer la qualité des images, à créer des algorithmes pour l’identification automatisée et la segmentation des lésions malignes, à établir des métriques de qualité d’image orientées vers le diagnostic, ancrées dans la perception visuelle humaine, et à valider rigoureusement ces algorithmes en collaboration avec des experts cliniques. En fin de compte, cette initiative axée sur la vision par ordinateur vise à fournir des images médicales plus claires et diagnostiquement précieuses, améliorant ainsi la qualité des soins aux patients.
Computational Visual Perception and Learning Models for Medical Imaging and Image-Guided Diagnosis
In the realm of medical imaging and image-guided radiotherapy, the quality of acquired images profoundly impacts accurate diagnosis and treatment planning. This research project is motivated by the pressing need to enhance image quality and automate lesion detection in medical images, particularly from low-dose CT and PET scans, which are vital for reducing patient radiation exposure. Using computer vision and deep learning, our objectives encompass developing advanced models to improve image quality, creating algorithms for automated malignant lesion identification and segmentation, establishing diagnostic-oriented image quality metrics grounded in human visual perception, and rigorously validating these algorithms in collaboration with clinical experts. Ultimately, this computer vision-driven initiative seeks to provide clearer and diagnostically valuable medical images, furthering the quality of patient care.