Aller au contenu

Imagerie Médicale

PDF icon Télécharger en PDF

  • Responsable de l'UE : Daniel RACOCEANU (daniel.racoceanu@sorbonne-universite.fr)
  • Code UE : UM5RBI36
  • Volumes horaires / étu : 14 h Cours, 12 h TP
  • Nombre de crédits de l'UE/EC : 3 ECTS
  • Parcours-type : ROBOT SI (option) MeDH (option)
  • Semestre où l'enseignement est proposé : S1 S2 S3 S4
  • Langue d'enseignement : Français Anglais
  • Public concerné : Département SDI Autre (préciser) :
  • Localisation : Campus PMC Autre (préciser) :

Thématique

Cet enseignement a pour objectif d’introduire les principales modalités d’imagerie médicale ainsi que les méthodes modernes d’analyse d’images biomédicales. L’UE couvre les bases physiques de l’acquisition, les méthodes classiques de traitement d’images et les approches récentes d’intelligence artificielle appliquées à l’imagerie médicale. Les étudiants seront capables de comprendre, manipuler et analyser des données médicales multimodales (IRM, scanner, échographie, histopathologie numérique, PET/SPECT) et de mettre en œuvre des méthodes modernes de segmentation, classification, reconstruction et analyse quantitative. Les étudiants acquerront : - une compréhension des principales modalités d’imagerie médicale, - les bases physiques et numériques de l’acquisition, - les méthodes classiques de traitement et d’analyse, - une introduction aux approches d’intelligence artificielle appliquées à l’imagerie biomédicale. L’UE mettra l’accent sur : - les principes physiques de la génération des images médicales - la segmentation, la classification; le recalage. et la reconstruction - l’analyse quantitative, - les approches d'apprentissage automatique et d'apprentissage profond - les enjeux de robustesse, les biais et d’interprétabilité.

Mots-clés : Imagerie médicale, IRM, scanner CT, échographie, PET, SPECT, microscopie, histopathologie numérique, DICOM / NIfTI, segmentation, recalage, radiomique, pathomique, imagerie omique, multimodalité, biomarqueurs, segmentaiton, classification, reconstruction, apprentissage profond, IA biomédicale, IA explicable, foundation models biomédicaux.

Prérequis

Afin de suivre cette UE, doivent être acquis précédemment :

  • Mathématiques : représentation matricielle des données, algèbre linéaire
  • Mathématiques : statistiques et probabilités
  • Mathématiques : transformée de Fourier et filtrage
  • Mathématiques : équations différentielles et optimisation
  • Programmation Python

Acquis d'apprentissage visés (AAV)

À l'issue de cette UE, les étudiantes ou étudiants seront capables de :

  1. Comprendre les principales modalités d’imagerie médicale et leurs principes physiques
  2. Identifier les caractéristiques et contraintes des données biomédicales
  3. Analyser un problème d’imagerie médicale et proposer une méthodologie adaptée
  4. Manipuler et analyser des images médicales 2D/3D aux formats standards DICOM et NIfTI
  5. Mettre en œuvre des méthodes de segmentation et de recalage
  6. Découvrir les approches multimodales image + omique + données cliniques
  7. Utiliser des librairies Python dédiées à l’imagerie biomédicale
  8. Préparer des données pour l’apprentissage automatique biomédical
  9. Mettre en œuvre des méthodes de deep learning pour l’imagerie médicale
  10. Évaluer quantitativement les performances d’un modèle biomédical
  11. Comprendre les enjeux de robustesse, reproductibilité, biais et validation clinique
  12. Interpréter les résultats produits par des modèles IA biomédicaux

Séquencement et modalités de l'enseignement (indicatif)

Semaine C/TD/TP Contenu Préparation AAV associé(s)
S1 C1 Introduction à l’imagerie médicale, données et métadonnées biomédicales, formats DICOM/NIfTI, stockage et gestion d'images médicales (standards et nomenclatures cliniques).
S2 C2 Modalités d’imagerie : radiographie, CT, IRM, échographie, PET/SPECT, microspopie biomédicale, histologie.
S3 C3 Bases physiques et principes de génération et reconstruction d’images médicales. Radiomique, pathomique, biomarqueurs. Prérequis 1-3
S4 C4 Prétraitement, filtrage, débruitage et amélioration d’images biomédicales.
S5 C5 Classification et segmentation 2D/3D/4D d'images médicale : contours, régions, atlas, modèles d'apprentissage profond en classification et segmentation.
S6 TP1 Classification d’images multimodales (TEP/TEMP, IRM fonctionnelle, ...) : extraction de descripteurs et classification de pathologies à l’aide de méthodes d’apprentissage automatique et d’apprentissage profond Prérequis 5
S7 TP2 Segmentation et quantification d’images médicales (TEP/TEMP, IRM fonctionnelle, ...) : détection, délimitation et analyse quantitative des régions d’intérêt dans des données 2D/3D/4D, à l’aide de méthodes classiques et d’approches basées sur IA. Prérequis 5
S8 C6 Recalage d’images. Analyse multimodale
S9 TP3 Imagerie multimodale et modèles de fondation en histologie (imagerie structurelle, imunohistochimie, imagerie omique - transcriptomique spatiale).
S10 C7 IA en imagerie biomédicale, IA explicable / responsable, biais et validation clinique
S11 TP4 Pipeline IA complet pour la classification d'images multimodales (OCT et images de fond d'oeuil) en ophtalmologie.
S12 Projet Soutenance de projets (articles récents à fort impact, projets labos SU - avec disponibilité des images médicales - ou challenges récents en imagerie biomédicale)

Déroulement de l'UE

TP1 après C5, TP2 après C5, TP3 après C6, TP4 après C7

Quizz en fin de TP3

Modalités d'évaluation des acquis d'apprentissage (1ère session)

Semaine Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
S8 Collectif Présentiel Quiz AAV1-6,8 30%
S14 Individuel Distanciel Projet AAV1-12 30%
S15 Collectif Présentiel Écrit AAV 1-12 40%

2nde session

Session Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
2 Collectif Présentiel Écrit AAV 1-10 40%
1 Collectif Présentiel Quiz AAV1-6,8 30%
1 Individuel Distanciel Projet AAV1-12 30%

Logo SDI Date de génération de la fiche d'UE : 06/10/2026 Logo SDI