Search

L’objectif principal de ce travail était de développer un protocole d'essai accéléré représentatif de l'APS, tout en améliorant la compréhension des facteurs qui influencent la résistance des bétons à ce type de détérioration en utilisant ainsi les techniques de l’intelligence artificielle. Une revue de la littérature sur le mécanisme de transition des sulfates de sodium (Na2SO4) dans des milieux poreux a été réalisée afin d’analyser les causes de la transition entres les phases sulfatiques (Thénardite et Mirabilite). Une détérioration plus sévère a été observée pendant le cycle ‘’froid-humide’’ dans lequel la formation de la mirabilite est favorisée. Le premier objectif consistait en la détermination des conditions d’essai pour l’accélération du mécanisme de détérioration par une attaque physique des sulfates de sodium. Pour ce faire, une comparaison entre trois environnements d'exposition distincts a été réalisée afin de déterminer la combinaison optimale permettant d'accélérer le mécanisme de transition de phases, tout en maximisant la précipitation de sulfates de sodium et la détérioration associée. De plus, en se basant sur la théorie de formation de la mirabilite par nucléation sur des cristaux de thénardite, une méthode de préconditionnement des échantillons a été développée dans le cadre de cette thèse. Ce préconditionnement combine une première étape de séchage des éprouvettes (afin de libérer les vides d’air de l’eau non liée), suivie d’une deuxième étape de saturation en ions sulfates et enfin d’une troisième étape de séchage pour la formation de la thénardite. La plus grande accélération a été obtenue avec des éprouvettes soumises à une immersion partielle dans une solution de 10% de sulfates de sodium avec des cycles de température et d’humidité d’une durée de 19 heures pour chaque environnement : chaud-sec [40°C - 20% d'humidité] et froid-humide [8°C - 85% d'humidité], séparés par une période de 4 heures de conditions ambiantes. Le deuxième objectif ét, The main objective of this work was to develop an accelerated test protocol representative of Physical Sulfate Attack (PSA), while improving understanding of the factors influencing the resistance of concrete to this type of deterioration, using artificial intelligence techniques. A literature review on the transition mechanism of sodium sulfates (Na2SO4) in porous media was carried out to analyse the causes of the transition between the sulfate phases (thenardite and mirabilite). A more severe deterioration was observed during the "cold-wet" cycle, in which the formation of mirabilite is favoured. The first objective was to determine the test conditions for accelerating the deterioration mechanism by physical attack of sodium sulfates. For this purpose, a comparison was made between three different exposure environments to determine the optimum combination for accelerating the phase transition mechanism, while maximising the precipitation of sodium sulfates and the associated deterioration. In addition, based on the theory of mirabilite formation by nucleation on thenardite crystals, a sample preconditioning method was developed as part of this thesis. This preconditioning combines a first stage of drying the specimens (to free the air voids from unbound water), followed by a second stage of sulfate ion saturation and finally a third stage of drying for the formation of thenardite. The greatest acceleration was obtained with specimens subjected to partial immersion in a 10% sodium sulfate solution with 19-hour temperature and humidity cycles for each environment: hot-dry [40°C - 20% humidity] and cold-wet [8°C - 85% humidity], separated by a 4-hour period of ambient conditions. The second objective was to quantify the key factors and the effects of supplementary cementitious materials such as silica fume (GUb-SF), slag (GUb-S), limestone (GUL) and the combination of limestone and glass powder (GUL-GP) on the microstructure of hydrated cement pastes and o

Les espèces animales de grande taille telle que le cerf de Virginie (Odocoileus virginianus), vivant à proximité des activités humaines doivent être régulièrement suivies afin de limiter leur potentiel de nuisance. Le développement simultané des secteurs des drones et du traitement automatique d’images apporté par les réseaux de neurones convolutifs (RNC) offre une opportunité intéressante de réduire les couts des inventaires fauniques et de grandement faciliter leur réalisation. Les jeux de données standard sur lesquels sont comparées les performances des diverses architectures de RNC disponibles sont composés d’images très différentes des images aériennes. En effet, celles-ci sont souvent soumises à des contraintes telles que des forts débalancements causés par la rareté et la petite taille des animaux dans les images, des résolutions plus faibles, ou encore la présence d’occlusion végétale. Ces contraintes sont absentes des jeux de données standard et les performances des RNC dans ces conditions sont encore peu connues. A la vue de ces différences, dans quelle mesure peuvent les performances des RNC sur des jeux de données standards prédire les performances dans un contexte d’inventaire faunique aérien ? Dans ce projet de doctorat, nous analysons les impacts des contraintes précités en vue de développer une méthode de comptage automatique qui les prenne en compte. A cette fin, nous avons utilisé un drone pour acquérir de nombreuses images de cerfs présents dans des enclos de deux élevages différents. Nous avons ensuite réparti ces images en plusieurs jeux d’entrainement, de validation et de test et les avons utilisé pour entrainer plusieurs architectures de RNC. Dans notre première série d’expériences, nous nous sommes basés sur deux ensembles d’images (un acquis en été et un en hiver) desquelles nous avons extrait des imagettes de cerfs entiers et des imagettes vides. Ces imagettes ont ensuite été assemblées en deux jeux d’entrainements et de validation par acqu

Des travaux récents ont révélé des preuves de traduction pour des milliers de séquences codantes (CDS) jusqu'alors non reconnues, élargissant de manière significative la portée du protéome humain. Toutefois, il est possible que de nombreuses CDS restent encore négligées ou sous-estimées en raison de contraintes expérimentales et de biais inhérents, ce qui limite la compréhension de la diversité totale du protéome humain. Pour pallier ce problème, le développement de FOMOnet (« Fear Of Missing ORFs neural network »), une adaptation de l'architecture du réseau à convolutions U-Net pour la segmentation de séquences biologiques, se veut une solution. Entraîné sur un ensemble de 19,507 ARN messagers (ARNm) humains, FOMOnet affiche une performance élevée dans l'identification de CDS, atteignant des scores de 99.8% et 99.7% pour l'aire sous la courbe ROC (« Receiver Operating Characteristic ») et PR (« Precision-recall »), respectivement. Il est démontré que FOMOnet surclasse les outils existants destinés à identifier les CDS, tout en offrant une efficacité informatique élevée et en requérant un faible volume de données d'entraînement par rapport aux méthodes existantes.

L'hypertension artérielle est une maladie cardiovasculaire répandue, affectant plus de 1,2 milliard de personnes dans le monde. Son diagnostic est difficile en raison de la variété des symptômes et du manque d'outils d'analyse rapides et précis. Cette thèse propose une méthode d'apprentissage automatique pour analyser les données médicales, particulièrement les images échocardiographiques, et extraire des informations pertinentes pour le diagnostic de l'hypertension. Les méthodes proposées combinent des modèles d'apprentissage automatique avec des techniques d'apprentissage de représentation pour garantir la cohérence des prédictions et améliorer leur interprétabilité. Des descripteurs de forme et de déformation sont extraits des images segmentées et combinés avec des données des dossiers médicaux électroniques. Un transformeur multimodal est utilisé pour apprendre une représentation commune de ces données, capable de mettre en évidence le continuum pathologique de l'hypertension. L'application de la méthode à une population de patients a permis de détecter des profils subtils de formes et de déformations corrélés avec l'hypertension. Ces résultats ouvrent la voie à de nouvelles études sur les mécanismes pathologiques de l'hypertension et à l'amélioration du diagnostic de la maladie., Hypertension is a prevalent cardiovascular disease, affecting over 1.2 billion people worldwide. However, it is difficult to diagnose due to varied symptoms and a lack of rapid, accurate analysis tools. This thesis presents a machine learning method to analyze medical data, particularly echocardiographic images, and extract relevant information for the diagnosis of hypertension. The proposed methods combine machine learning models with representation learning techniques to guarantee the predictions' consistency and improve their interpretability. Shape and deformation descriptors are computed from segmented images and combined with electronic health records data. A multimodal transformer is used to learn a joint representation of these data, which can be used to highlight hypertension's pathological continuum. Applying the approach to a population of hypertensive patients revealed subtle patterns of shape and deformity correlated with hypertension. These results pave the way for new studies into hypertensive pathological mechanisms and improved diagnosis of the disease.

In recent years, deep learning algorithms have become increasingly more prominent for their unparalleled ability to automatically learn discriminant features from large amounts of data. However, within the field of electromyography-based gesture recognition, deep learning algorithms are seldom employed as they require an unreasonable amount of effort from a single person, to generate tens of thousands of examples. This paper's hypothesis is that general, informative features can be learned from the large amounts of data generated by aggregating the signals of multiple users, thus reducing the recording burden while enhancing gesture recognition. Consequently, this paper proposes applying transfer learning on aggregated data from multiple users while leveraging the capacity of deep learning algorithms to learn discriminant features from large datasets. Two datasets comprised 19 and 17 able-bodied participants, respectively (the first one is employed for pre-training), were recorded for this work, using the Myo armband. A third Myo armband dataset was taken from the NinaPro database and is comprised ten able-bodied participants. Three different deep learning networks employing three different modalities as input (raw EMG, spectrograms, and continuous wavelet transform (CWT)) are tested on the second and third dataset. The proposed transfer learning scheme is shown to systematically and significantly enhance the performance for all three networks on the two datasets, achieving an offline accuracy of 98.31% for 7 gestures over 17 participants for the CWT-based ConvNet and 68.98% for 18 gestures over 10 participants for the raw EMG-based ConvNet. Finally, a use-case study employing eight able-bodied participants suggests that real-time feedback allows users to adapt their muscle activation strategy which reduces the degradation in accuracy normally experienced over time.

Existing research on myoelectric control systems primarily focuses on extracting discriminative characteristics of the electromyographic (EMG) signal by designing handcrafted features. Recently, however, deep learning techniques have been applied to the challenging task of EMG-based gesture recognition. The adoption of these techniques slowly shifts the focus from feature engineering to feature learning. Nevertheless, the black-box nature of deep learning makes it hard to understand the type of information learned by the network and how it relates to handcrafted features. Additionally, due to the high variability in EMG recordings between participants, deep features tend to generalize poorly across subjects using standard training methods. Consequently, this work introduces a new multi-domain learning algorithm, named ADANN (Adaptive Domain Adversarial Neural Network), which significantly enhances (p = 0.00004) inter-subject classification accuracy by an average of 19.40% compared to standard training. Using ADANN-generated features, this work provides the first topological data analysis of EMG-based gesture recognition for the characterization of the information encoded within a deep network, using handcrafted features as landmarks. This analysis reveals that handcrafted features and the learned features (in the earlier layers) both try to discriminate between all gestures, but do not encode the same information to do so. In the later layers, the learned features are inclined to instead adopt a one-vs.-all strategy for a given class. Furthermore, by using convolutional network visualization techniques, it is revealed that learned features actually tend to ignore the most activated channel during contraction, which is in stark contrast with the prevalence of handcrafted features designed to capture amplitude information. Overall, this work paves the way for hybrid feature sets by providing a clear guideline of complementary information encoded within learned and han

The world is confronted with the grand challenge of food insecurity amidst growing populations and the climate crisis. Artificial intelligence (AI) deployed in agricultural decision support systems (AgriDSS) raises both hopes and concerns for increasing agricultural productivity in sustainable ways. We conduct a scoping review to uncover the roadblocks to the use of AI-supported AgriDSS in sustainable agriculture. Based on the corpus of 121 articles, we find that the effective use of AI-supported AgriDSS is hindered at technical, social, ethical, and ecological levels. Then, drawing on the experiential learning perspective, we propose how conjoint experiential learning (CEL) can enhance sustainable agricultural practices by enhancing both AI and human learning and overcoming roadblocks in using AgriDSS. Based on this conceptual framework, we build a research agenda that suggests blind spots and possible directions for future research.

Intrinsic value prediction is a Natural Language Processing (NLP) problem consisting in determining a numerical value contained implicitly and non-trivially in a text. In this project, we introduce the SWORDSMAN model (Sentence and Word-level Oracle for Research Documents by Semantic Multi-scale ANalysis), a deep neural network architecture based on transformers whose goal is to predict the cost of research projects from the analysis of their abstract. SWORDSMAN is built on a hybrid structure based on two branches in order to conduct a multi-scale analysis by combining the strengths of global and local perspectives to extract more relevant information from these texts. The local branch uses Convolution Neural Networks (CNNs) to analyse abstracts at fine-grained word level and bring more nuance to the understanding of the context of occurrence of key terms, while the global branch combines Sentence Transformers and Radial Basis Functions (RBFs) to process these abstracts at a higher level to identify the overall context of the project, while being more focused on the content than the form of the data. The joint use of these models allows SWORDSMAN to have a better capacity to understand complex data by using this analysis at different levels of granularity to present a better estimation accuracy., Förutsägelse av inneboende värde är ett problem inom Natural Language Processing (NLP) som består i att bestämma ett numeriskt värde som finns implicit och icke-trivialt i en text. I det här projektet introducerar vi SWORDSMAN-modellen (Sentence and Word-level Oracle for Research Documents by Semantic Multi-scale ANalysis), en djup neuronal nätverksarkitektur baserad på transformatorer vars mål är att förutsäga kostnaden för forskningsprojekt utifrån analysen av deras abstrakt. SWORDSMAN bygger på en hybridstruktur baserad på två grenar för att genomföra en analys i flera skalor genom att kombinera styrkorna hos globala och lokala perspektiv för att extrahera mer relevant information från dessa texter. I den lokala grenen används CNN-nätverk (Convolution Neural Networks) för att analysera sammanfattningar på finkornig ordnivå och ge mer nyans till förståelsen av sammanhanget för förekomsten av nyckeltermer, medan den globala grenen kombinerar meningstransformatorer och radiella basfunktioner (RBF) för att bearbeta dessa sammanfattningar på en högre nivå för att identifiera projektets övergripande sammanhang, samtidigt som den är mer inriktad på innehållet än på formen av uppgifterna. Den gemensamma användningen av dessa modeller gör det möjligt för SWORDSMAN att ha en bättre förmåga att förstå komplexa data genom att använda denna analys på olika granularitetsnivåer för att presentera en bättre skattningsnoggrannhet., La prédiction de valeur intrinsèque est un problème de Traitement Automatique du Langage (TAL) consistant à déterminer une valeur numérique contenue de manière implicite et non triviale dans un texte. Dans ce projet, nous introduisons le modèle SWORDSMAN (Sentence and Word-level Oracle for Research Documents by Semantic Multi-scale ANalysis), une architecture de réseaux de neurones profonde basée sur les transformers dont le but est de prédire le coût de projets de recherche à partir de l’analyse de leur abstract. SWORDSMAN est bâti sur une structure hybride reposant sur deux branches afin de mener une analyse multi-échelles en combinant les forces de perspectives globale et locale pour extraire des informations plus pertinentes de ces textes. La branche locale utilise des réseaux de neurones de convolution (CNN) pour analyser les abstracts à l’échelle des mots et apporter plus de nuance à la compréhension du contexte d’apparition des termes clés, là où la branche globale combine Sentence Transformers et fonctions de base radiale (RBF) pour traiter ces abstracts à un plus haut niveau afin d’identifier le contexte général du projet, tout en étant plus focalisée sur le contenu que la forme des données. L’utilisation conjointe de ces modèles permet à SWORDSMAN de disposer d’une meilleure capacité de compréhension de données complexes en se servant de cette analyse à différents niveaux de granularité pour présenter une meilleure précision d’estimation.

L’estimation du débit en rivières est un paramètre clé pour la gestion des ressources hydriques, la prévention des risques liés aux inondations et la planification des équipements hydroélectriques. Lorsque le débit d’eau est très élevé lors d'évènements extrêmes, les méthodes de jaugeage traditionnelles ne peuvent pas être utilisées. De plus, les stations du réseau hydrométrique sont généralement éparses et leur répartition spatiale n’est pas optimale. Par conséquent, de nombreuses sections de rivières ne peuvent être suivies par des mesures et observations du débit. Pour ces raisons, pendant la dernière décennie, les capteurs satellitaires ont été considérés comme une source d’observation complémentaire aux observations traditionnelles du niveau d’eau et du débit en rivières. L’utilisation d’une telle approche a fourni un moyen de maintenir et d’étendre le réseau d'observation hydrométrique. L’approche avec télédétection permet d’estimer le débit à partir des courbes de tarage qui met en relation le débit instantané (Q) et la géométrie d’une section transversale du chenal (la largeur ou la profondeur effective de la surface d’eau). En revanche, cette méthode est associée à des limitations, notamment, sa dépendance aux courbes de tarage. En effet, en raison de leurs natures empiriques, les courbes de tarage sont limitées à des sections spécifiques et ne peuvent être appliquées dans d’autres rivières. Récemment, des techniques d’apprentissage profond ont été appliquées avec succès dans de nombreux domaines, y compris en hydrologie. Dans le présent travail, l’approche d’apprentissage profond a été choisie, en particulier les réseaux de neurones convolutifs (CNN), pour estimer le débit en rivière. L’objectif principal de ce travail est de développer une approche d’estimation du débit en rivières à partir de l’imagerie RADARSAT 1&2 à l’aide de l’apprentissage profond. La zone d’étude se trouve dans l’ecozone du bouclier boréal à l’Est du Canada. Au total, 39 sites h

L’épilepsie est une maladie chronique qui se caractérise par des crises imprévisibles et récur-rentes. Bien que l’approche principale pour traiter cette maladie soit à travers une médication à long terme, environ un tiers des patients sont résistants à cette thérapie. De plus, les options chi-rurgicales pour l’épilepsie sont limitées en raison des perceptions négatives liées à la chirurgie, des préoccupations concernant les complications subséquentes et des taux de réussite modérés. Actuel-lement, les recherches se concentrent de plus en plus sur l’exploration du potentiel de la prédiction des crises à l’aide d’enregistrements électro-encéphalogrammes (EEG), ce qui pourrait ouvrir de nouvelles voies d’intervention et de traitement. Bien que de nombreux modèles de prédiction des crises épileptiques aient été proposés dans la littérature scientifique, ils ne sont pas encore largement utilisés dans des contextes cliniques en raison de plusieurs limitations. Ces limitations incluent l’efficacité des caractéristiques extraites à partir des signaux EEG, les défis d’interprétation des modèles de prédiction et la difficulté de généraliser les modèles à de nouveaux patients. L’objectif de cette thèse est de développer et d’améliorer des modèles pour la prédiction des crises d’épilepsie en utilisant des données EEG. Dans un premier temps, nous avons mené une étude pour évaluer la complexité des caractéris-tiques extraites à partir des données EEG qui sont utilisées pour la prédiction des crises d’épilepsie. Nous avons déterminé que des méthodes d’apprentissage profond complexes étaient nécessaires pour extraire des caractéristiques plus précises et robustes que celles obtenues manuellement. Ensuite, nous avons proposé une architecture de réseau de neurones interprétable conçue pour la prédiction de crises spécifiques au sujet. Cette architecture a non seulement mieux performé que les méthodes actuelles de l’état de l’art, mais elle a également amélioré et simplifié l’interpré

La sécurité énergétique, économique et environnementale de la société dépend grandement de l’exactitude de la connaissance de l’intérieur du sol. Une stratégie efficace pour y accéder réside dans les méthodes sismiques, qui peuvent estimer de façon non destructive la géométrie des structures souterraines à grande échelle. Or, les méthodes sismiques sont soumises à des limitations méthodologiques qui réduisent leur efficacité et leur résolution : l’imagerie et l’inversion sismiques dépendent d’un modèle de vitesse d’essai très lisse et coûteux à obtenir, en plus de nécessiter beaucoup d’intervention humaine et, par leur caractère itératif, de calculs. L’apprentissage profond permettrait de contourner ces difficultés, par sa capacité à résoudre des problèmes non linéaires. Par contre, la réussite de l’apprentissage profond dépend d’un entraînement, très coûteux en calculs, et de la conception de données massives spécifiques à chaque problème. Dans cette thèse, j’ai pour objectif d’accélérer et d’améliorer les techniques de DL qui existent actuellement pour l’estimation de modèles de vitesse 2D, dans l’optique que les praticiens de la sismique puissent bénéficier d’un outil mature, plus rapide et versatile. Les contributions présentées dans cette thèse permettent d’améliorer nettement les méthodes existantes en diminuant par au plus 80 fois les temps de calcul et d’au plus 45% l’erreur. Pour ce faire, j’ai développé une approche d’apprentissage par transfert permettant de préentraîner des réseaux de neurones sur des modèles 1D, plus simples, et de conserver toute l’information apprise une fois en 2D. Cette stratégie réduit les besoins en calculs et permet de meilleures performances. Ensuite, j’ai reformulé le problème de régression de vitesse en un problème de classification pour contourner l’utilisation d’ensembles, lesquels étaient coûteux, mais nécessaires au réalisme. Les classificateurs fournissent des résultats plus exacts que les régresseurs et permettent d’esti

The discovery of new variants has slowed down in recent years in epilepsy studies, despite the use of very large cohorts. Consequently, most of the heritability is still unexplained. Rare non-coding variants have been largely ignored in studies on epilepsy, although non-coding single nucleotide variants can have a significant impact on gene expression. We had access to whole genome sequencing (WGS) from 247 epilepsy patients and 377 controls. To assess the functional impact of non-coding variants, ExPecto, a deep learning algorithm was used to predict expression change in brain tissues. We compared the burden of rare non-coding deleterious variants between cases and controls. Rare non-coding highly deleterious variants were significantly enriched with Genetic Generalized Epilepsy (GGE), but not with Non-Acquired Focal Epilepsy (NAFE) or all epilepsy cases when compared with controls. In this study, we showed that rare non-coding deleterious variants are associated with epilepsy, specifically with GGE. Larger WGS epilepsy cohort will be needed to investigate those effects at a greater resolution. Nevertheless, we demonstrated the importance of studying non-coding regions in epilepsy, a disease where new discoveries are scarce.

La caractérisation minéralogique est essentielle pour la caractérisation des différents produits d’un gisement (lithologie, minerai, stérile, résidu, etc.). Elle peut procurer énormément d’informations pertinentes pour les différents aspects de la mine (exploration, traitement minéral, gestion environnementale des rejets miniers). Cependant, la caractérisation minéralogique souffre aujourd’hui d’une réputation à la fois longue, fastidieuse et couteuse de la part de l’industrie minière. Cette industrie s’est ainsi vue progressivement abandonner l’approche minéralogique pour la caractérisation de leurs gisements. Avec les nouveaux défis technico-économiques apparaissant au sein des gisements (teneurs de plus en plus faibles, extraction de plus en plus profonde, gestion intégrée des rejets miniers et valorisation de nouveaux types de gisement), une nouvelle approche géométallurgique s’est alors développée dans l’industrie. Cette nouvelle vision de la mine consiste à intégrer les variabilités, notamment minéralogiques, des gisements afin de l’intégrer le plus en amont possible dans le développement du projet minier. Le but est de quitter l’approche en silo qu’effectue l’industrie pour permettre plus de communication entre les différents départements d’une mine (exploration, ingénierie, production, environnement) et ainsi permettre une optimisation technico-économique de l’exploitation tout en réduisant les risques techniques et opérationnels. Il s’avère que la caractérisation minéralogique est redevenue une caractérisation indispensable pour cette nouvelle vision géométallurgique de la mine, notamment parce qu’elle peut constituer un langage commun entre les différents départements de la mine. La caractérisation minéralogique permet effectivement de fournir des quantifications de paramètres, notamment de texture (comprenant la granulo-minéralogie, degré de libération/d’exposition et association), sur les différents produits de la mine qui constituent très souvent les va

Time-of-flight magnetic resonance angiography (TOF-MRA) is a type of magnetic resonance imaging (MRI) technique that allows visualization of the brain's arterial structure. Over the past few years, deep learning, which falls under the umbrella of artificial intelligence, has gained widespread adoption in the medical imaging field. Among its many applications, deep learning has proven to be beneficial for identifying and clasDsifying specific areas of interest on medical images including the cerebral vasculature. This thesis illustrates how deep learning can be utilized to generate an accurate multi-class segmentation of the cerebral arterial tree. Using deep learning, we created the cerebral arterial tree segmentation software (CATSS). CATSS is the first fully automated software tool capable of segmenting the whole cerebral arterial tree in TOF-MRA quickly, accurately, reliably and in a multi-class fashion. Thus, distinguishing between the different arteries of the arterial tree and classifying them into different classes. This work would enable a quantitative evaluation of a TOF-MRA of the brain going beyond the traditional visual assessment., L'angiographie par résonance magnétique en temps de vol (TOF-MRA) est un type de technique d'imagerie par résonance magnétique (IRM) qui permet de visualiser la structure artérielle du cerveau. Au cours des dernières années, l'apprentissage profond, qui relève de l'intelligence artificielle, s'est largement répandu dans le domaine de l'imagerie médicale. Parmi ses nombreuses applications, l'apprentissage profond s'est avéré bénéfique pour identifier et classer des domaines d'intérêt spécifiques sur les images médicales, y compris la vascularisation, un processus connu sous le nom de segmentation. Cette thèse illustre comment l'apprentissage profond peut être utilisé pour générer une segmentation multi-classes précise de l'arbre artériel cérébral. En utilisant l'apprentissage profond, nous avons créé le logiciel de segmentation de l'arbre artériel cérébral (CATSS). CATSS est le premier outil logiciel entièrement automatisé capable de segmenter l'ensemble de l'arbre artériel cérébral dans TOF-MRA de manière rapide, précise, fiable et multiclasse. Ainsi, distinguer les différentes artères de l’arbre artériel et les classer en différentes classes. Ce travail permet une évaluation quantitative d'un TOF-MRA du cerveau allant au-delà de l'évaluation visuelle traditionnelle.

Le rehaussement de la parole est essentiel pour garantir la fiabilité des outils de communication ou la robustesse des systèmes de reconnaissance vocale. Bien que les réseaux neuronaux conventionnels, connus sous le nom de réseaux neuronaux artificiels (Artificial Neural Network - ANN), aient démontré des performances remarquables dans ce domaine, leur utilisation requiert une puissance de calcul considérable et engendre des coûts énergétiques élevés. Ces coûts sont dus à plusieurs facteurs tels que la taille du réseau, le volume de l'ensemble des données utilisé, et le nombre d'itérations nécessaires pour l'entraînement. Ce projet de recherche propose une approche de rehaussement de la parole à l'aide d'un réseau de neurones à décharges (Spiking Neural Network - SNN) basé sur une architecture U-Net. Les SNN sont adaptés au traitement de données avec une dimension temporelle, telle que la parole, et sont connus pour leur mise en œuvre économe en énergie sur des processeurs neuromorphiques. Par conséquent, les SNN constituent des candidats intéressants pour des applications en temps réel sur des dispositifs aux ressources limitées. L'objectif principal de ce travail est de développer un modèle basé sur un SNN présentant des performances comparables à celles d'un modèle basé sur un ANN pour le rehaussement de la parole. L'entraînement du SNN proposé s'effectue en utilisant une optimisation basée sur des gradients de substitution. L'évaluation des performances du modèle se fait à l'aide de tests objectifs perceptuels, en prenant en compte différents rapports signal sur bruit et conditions de bruit réelles. Les résultats obtenus démontrent que le modèle proposé surpasse la solution de référence du défi de suppression de bruit profond neuromorphique d'Intel. De plus, il se distingue également par rapport à plusieurs approches non neuromorphiques de l'état de l'art. En outre, il atteint des performances acceptables par rapport à un modèle ANN présentant une architecture s

L'imagerie par résonance magnétique de diffusion est une technique non invasive permettant de connaître la microstructure organisationnelle des tissus biologiques. Les méthodes computationnelles qui exploitent la préférence orientationnelle de la diffusion dans des structures restreintes pour révéler les voies axonales de la matière blanche du cerveau sont appelées tractographie. Ces dernières années, diverses méthodes de tractographie ont été utilisées avec succès pour découvrir l'architecture de la matière blanche du cerveau. Pourtant, ces techniques de reconstruction souffrent d'un certain nombre de défauts dérivés d'ambiguïtés fondamentales liées à l'information orientationnelle. Cela a des conséquences dramatiques, puisque les cartes de connectivité de la matière blanche basées sur la tractographie sont dominées par des faux positifs. Ainsi, la grande proportion de voies invalides récupérées demeure un des principaux défis à résoudre par la tractographie pour obtenir une description anatomique fiable de la matière blanche. Des approches méthodologiques innovantes sont nécessaires pour aider à résoudre ces questions. Les progrès récents en termes de puissance de calcul et de disponibilité des données ont rendu possible l'application réussie des approches modernes d'apprentissage automatique à une variété de problèmes, y compris les tâches de vision par ordinateur et d'analyse d'images. Ces méthodes modélisent et trouvent les motifs sous-jacents dans les données, et permettent de faire des prédictions sur de nouvelles données. De même, elles peuvent permettre d'obtenir des représentations compactes des caractéristiques intrinsèques des données d'intérêt. Les approches modernes basées sur les données, regroupées sous la famille des méthodes d'apprentissage profond, sont adoptées pour résoudre des tâches d'analyse de données d'imagerie médicale, y compris la tractographie. Dans ce contexte, les méthodes deviennent moins dépendantes des contraintes imposées par les, Diffusion magnetic resonance imaging is a non-invasive technique providing insights into the organizational microstructure of biological tissues. The computational methods that exploit the orientational preference of the diffusion in restricted structures to reveal the brain's white matter axonal pathways are called tractography. In recent years, a variety of tractography methods have been successfully used to uncover the brain's white matter architecture. Yet, these reconstruction techniques suffer from a number of shortcomings derived from fundamental ambiguities inherent to the orientation information. This has dramatic consequences, since current tractography-based white matter connectivity maps are dominated by false positive connections. Thus, the large proportion of invalid pathways recovered remains one of the main challenges to be solved by tractography to obtain a reliable anatomical description of the white matter. Methodological innovative approaches are required to help solving these questions. Recent advances in computational power and data availability have made it possible to successfully apply modern machine learning approaches to a variety of problems, including computer vision and image analysis tasks. These methods model and learn the underlying patterns in the data, and allow making accurate predictions on new data. Similarly, they may enable to obtain compact representations of the intrinsic features of the data of interest. Modern data-driven approaches, grouped under the family of deep learning methods, are being adopted to solve medical imaging data analysis tasks, including tractography. In this context, the proposed methods are less dependent on the constraints imposed by current tractography approaches. Hence, deep learning-inspired methods are suit for the required paradigm shift, may open new modeling possibilities, and thus improve the state of the art in tractography. In this thesis, a new paradigm based on representation l

L'imagerie cardiaque est l'une des meilleures méthodes pour analyser la fonction cardiaque et diagnostiquer de nombreuses pathologies. Afin de visualiser le coeur, l'imagerie par résonance magnétique, la tomodensitométrie et l'échocardiographie sont, entres autres utilisées. L'analyse de la fonction cardiaque repose en grande partie sur l'extraction de métriques cliniques telles que le volume et le débit cardiaque. Cependant, l'extraction de ces métriques est une tâche longue et fastidieuse qui requiert la segmentation (ou délimitation) des parois cardiaques. En raison de la lourdeur associée à la tâche de segmentation manuelle et des avancées technologiques récentes, un intérêt accru envers les techniques de segmentation automatique est s'est imposé dans les dernières années. En effet, les progrès de l'intelligence artificielle (IA), propulsés par la disponibilité de grandes bases de données et des nouvelles technologies de calculs, offrent une réelle possibilité de développer des algorithmes de segmentation à la fois automatiques, rapides et fiables. Des algorithmes d'IA proposés dans les dernières années, les réseaux de neurones sont les plus prometteurs. Il a notamment été démontré que les réseaux de neurones profonds atteignent des performances similaires à celle des experts humains sur des bases de données d'IRM et d'ultrason cardiaque. Cependant, malgré d'excellentes performances en moyenne, les réseaux de neurones sont propices aux erreurs lorsqu'ils sont utilisés sur des données qui diffèrent de celles utilisées en entrainement. Les erreurs peuvent parfois être aberrantes ce qui mine la confiance des cliniciens utilisant ces outils. Pour cette raison, des techniques d'estimation d'incertitudes sont primordiales pour la mise en service clinique de ces techniques. Plusieurs méthodes sont basées sur l'interprétation probabiliste des réseaux de neurones. Cependant, ces méthodes n'offrent aucune garantie quant à la détection des régions incertaines des segmentat

Pour les patients présentant une lésion au rein, la connaissance de la malignité, ainsi que du sous-type et du grade (dans le cas où la tumeur serait maligne), sont des éléments essentiels pour le pronostic. Actuellement, la procédure standard pour obtenir ces informations est de procéder à une biopsie de la lésion. La biopsie étant très invasive et manquant de fiabilité pour les tumeurs hétérogènes, l'analyse d'imagerie non invasive, telle que l'imagerie par résonnance magnétique (IRM), à l'aide d'intelligence artificielle est une alternative qui a suscité beaucoup d'intérêt au cours des dernières années. Bien que les récentes études montrent que les réseaux de neurones à convolution soient très prometteurs lorsqu'il s’agit de classifier les tumeurs rénales par rapport à leur malignité, leur sous-type ou leur grade, les résultats ne sont pas encore suffisamment convaincants pour constituer une solution de rechange à la biopsie. Dans ce mémoire, nous vérifierons s'il est possible, à l'aide de l'apprentissage multitâche, d'améliorer les performances d'un modèle d'apprentissage profond pour la classification de la malignité, du sous-type et du grade des tumeurs rénales. Nous utiliserons un jeu de données comportant les images par résonance magnétique de pondération T1 avec contraste amélioré et T2 de 1082 patients qui présente une lésion à l'un des reins, la segmentation de cette lésion pour chaque modalité et un ensemble de données cliniques. Nous commencerons par vérifier la pertinence d'un modèle d'apprentissage à tâche unique utilisant l'imagerie par rapport à un modèle se basant sur les données cliniques. Par la suite, nous allons comparer les réseaux de neurones à convolution entraînés sur les tâches individuellement à des modèles entraînés à prédire les 3 caractéristiques simultanément. Pour finir, nous déterminerons s'il est bénéfique de forcer un modèle à simultanément classifier la tumeur et prédire un ensemble de caractéristiques radiomiques qui joueront le

Plusieurs maladies occasionnant la perte de vision engendrent la dégradation de la couche des photorécepteurs.L’une des approches permettant de restaurer la vision chez les personnes atteintes est de stimuler électriquement les neurones survivants de la rétine.Les implants épirétiniens sont placés à la surface de la rétine et visent à stimuler les neurones appelés les cellules ganglionnaires de la rétine.Cependant, ils stimulent aussi les axones des neurones voisins.Le patient perçoit alors un phosphène dit anisotropique ressemblant à un coup de pinceau contrairement, à un point blanc isotropique.Il est donc difficile de transformer une image pixelisée en un patron de stimulation électrique qui permet au patient de percevoir une image intelligible.L’utilisation d’un agent apprenant par renforcement permet d’utiliser des coups de pinceau pour générer une image intelligible.Un agent constitué de réseaux de neurones profonds à convolution a donc été entraîné dans un environnement simulant la rétine d’un patient virtuel.L’agent apprend ainsi à améliorer l’intelligibilité des images perçues en utilisant les différents phosphènes anisotropiques à sa disposition.