Team seminar

PhD students Antoine Bourlier and Yann Tirard-Gatel will present their work.

Antoine’s talk (in french):
“Apprentissage profond sur graphes pour l’analyse et la comparaison morphofonctionnelle d’encéphales”

Résumé :
L’essor de méthodes d’imagerie cérébrale génère une masse considérable de données morphologiques et fonctionnelles. Pour autant, leur exploration puis leur comparaison au cours du temps pour un individu (développement et vieillissement), entre individus (variabilité au sein de l’espèce), et plus encore entre espèces différentes n’ont pu être que partielles. Nous proposons de modéliser ces données sous forme de graphes, puis d’utiliser les approches récentes de l’intelligence artificielle pour mieux les analyser. Cette démarche a déjà été initiée par un consortium pluridisciplinaire réunissant des chercheurs en neuroanatomie, en biologie animale et en informatique ainsi que des neurochirurgiens lors des projets Régionaux NeuroGéo et Neuro2Co (LIFAT, INRAE, INSERM). Elle a abouti à la création de SILA3D, une plateforme logicielle, en accès libre permettant la représentation des données anatomo-fonctionnelles sous forme de graphes grâce à une segmentation sémantique interactive des images. Dans ce contexte, la thèse proposée vise à créer de nouveaux algorithmes d’analyses et de comparaisons anatomo- fonctionnelles d’encéphales à l’aide de méthodes classiques (théorie des graphes) mais aussi plus récentes (réseaux de neurones profonds sur graphes (GNN, geometric deep learning …). Les objectifs généraux de cette thèse sont : – Spécifier différentes stratégies de modélisation des données sous forme de graphes. Pour cela, des données morphologiques et fonctionnelles issues de différentes modalités d’imagerie, notamment IRM structurelle et tractographie, seront combinées à l’aide de différentes approches à définir. Le ou la doctorante utilisera deux jeux de données d’ores et déjà acquises : a) IRM ex vivo à très haut champ du tronc cérébral humain (iBrain et NeuroSpin); b) IRM in vivo d’agneaux en croissance (PRC et PIXANIM). – Étudier les différences entre individus (variabilité du tronc cérébral humain) et au cours du temps (suivi du développement cérébral de l’agneau de la naissance à l’âge adulte). Le ou la doctorante proposera plusieurs méthodes de comparaison de graphes exploitant les avancées récentes dans le Deep Learning sur Graphes (GNN). Les défis scientifiques associés à ces objectifs sont (1) développer de nouvelles méthodes d’apprentissage profond sur graphes pour la détection et la classification de sous-structures particulières dans un encéphale (classification semi- supervisée de nœuds); (2) de développer de nouvelles méthodes d’apprentissage profonds sur graphes pour la comparaison, la discrimination, et la classification d’encéphales (classification supervisée ou non supervisée de graphes).

Yann’s talk (in french):
“Tour d’horizon sur la reconnaissance d’action du squelette humain représenté sous forme de graphes”

Résumé :
Depuis quelques années avec l’essor du deep-learning et l’avènement de jeux de données conséquents, il est possible aujourd’hui de classifier des mouvements dans des vidéos avec des méthodes dirigé par la donnée sous forme de graphes. Actuellement au centre des modèles, une opération clé est celle de convolution sur graphes. Dans le cadre de séquence de graphes du squelette, on restreint le type de graphe avec un nombre limité de nœuds pour lesquels les voisins sont connus pour chaque frame de la vidéo. D’un côté, ces caractéristiques propres aux séquences de graphes simplifient la problématique par rapport à l’usage d’autres types de graphes plus généraux, mais l’adaptation de ce concept de convolutions aux données spatio-temporelles est un champ d’exploration pas encore maîtrisé. Je présenterai donc différentes techniques basées sur la convolution pour aller vers une reconnaissance d’action du squelette représenté sous forme de graphe toujours de meilleures qualités.