Thème :
Chef d'équipe de recherche : " Paradigmes Avancés D’apprentissage Machine pour l’interprétation des Données Multimodales: Paam-IDM" au sein du Laboratoire de recherche LABGED.
Présentation :
L’équipe de recherche « Paradigmes Avancés d’Apprentissage Machine pour l’Interprétation des Données Multimodales (Paam-IDM) », rattachée au Laboratoire de recherche LABGED, se consacre à l’étude, au développement et à l’évaluation de méthodes avancées d’intelligence artificielle pour l’analyse, la fusion et l’interprétation de données multimodales complexes.
Placée sous ma direction en tant que chef d’équipe, Paam-IDM s’inscrit dans une dynamique scientifique visant à dépasser les approches classiques de l’apprentissage automatique, en explorant des paradigmes innovants tels que l’apprentissage profond, l’apprentissage par transfert, l’apprentissage par renforcement, les modèles hybrides, ainsi que les architectures séquentielles et attentionnelles. L’équipe accorde une attention particulière aux problématiques liées à l’hétérogénéité des données, à leur déséquilibre, à l’incertitude et à la robustesse des modèles dans des contextes réels.
Les travaux de l’équipe portent sur l’exploitation conjointe de données issues de sources multiples (images, signaux, textes, données tabulaires ou temporelles), avec pour objectif d’améliorer la performance, l’interprétabilité et la fiabilité des systèmes décisionnels intelligents. Les domaines d’application visés incluent notamment la santé, l’agriculture intelligente, l’industrie, l’éducation et les systèmes cyber-physiques, en cohérence avec les axes stratégiques du laboratoire LABGED.
À travers ses activités de recherche fondamentale et appliquée, Paam-IDM contribue à la production scientifique de haut niveau, à l’encadrement de doctorants et de jeunes chercheurs, ainsi qu’au renforcement des collaborations nationales et internationales. L’équipe ambitionne ainsi de jouer un rôle moteur dans l’innovation méthodologique en apprentissage machine et dans la valorisation scientifique et technologique des données multimodales.
Thème :
-Membre du Projet PFRU ( 2023) / Intitulé :Investigations des Réseaux Antagonistes Génératifs pour l'Aide au Diagnostic des Pathologies Tumorales : DiPat-GAN; C00L07UN230120230009
Présentation :
L'objectif de ce projet se focalise sur la conception et la réalisation d'un système intelligent d'aide au diagnostic des tumeurs cérébrales, investiguant une des dernière architecture de l'apprentissage profond qui est le GAN . Le système proposé sera capable de :
- Visualiser les images des patients en 3D afin d'aider les médecins dans le diagnostic,
- Réaliser des prétraitements des bases de données collectées en collaboration avec le service CAC d'Annaba,
- Générer des images synthétiques très représentatives introduisant le contexte du domaine grâce au GAN standards,
- Réaliser la segmentation ou la détection des tumeurs cérébrales à partir des données IRM 3D des patients atteints. Dans cette phase, deux modèles seront analysés , la segmentation 2D des variantes des GAN optimisés tels que le cycle GAN et les architecture pix-2-pix ; nous proposons de s'investir également dans la détection des zones en 3D en analysant les nouvelles techniques vox-to-Vox.
- Analyser les architectures Deep Learning telles que les VGG16 et le Res Net pour assuer le diagnostic ou la génération de la décision finale à partir des images originales et les masques des tumeurs détectées( Zones Roi)
- Intégrer un module d'optimisation afin de réduire la complexité des modèles profonds réalisés. L'optimisation a pour objectif la réduction de la taille des modèles (dues à la taille des bases 2D et 3D pour l'entrainement et test) permettant le gain en temps d'exécution tout en maintenant la performance du modèle d'origine.