IRUD-IA
Technologies d'analyse d'image médicale avec intelligence artificielle pour le développement de dispositifs médicaux.
IRUD-IA
Technologies d'analyse d'image médicale avec intelligence artificielle pour le développement de dispositifs médicaux.
L'objectif de ce projet de recherche est de générer de nouvelles connaissances sur les modèles fondamentaux, l'apprentissage auto-supervisé et les modèles vision-langage dans le domaine de l'imagerie médicale.
Cela servira à accélérer les temps de développement, de validation et de certification des solutions d'imagerie médicale basées sur l'IA, et, par conséquent, entraînera une réduction du temps de mise sur le marché de ces produits, offrant un avantage compétitif pour les entreprises nationales. Par conséquent, la proposition se présente comme une disruption de la chaîne de valeur des modèles d'IA appliqués à l'image et au texte médical.
Consortium formé par les entreprises, centres technologiques et universités suivants : Deusto SEIDOR, ULMA Medical Technologies, Erhardt Serikat, E Process Med, Cyber Surgery, Global Datamediatech Systems, Data Value Management, A3z Advanced Analytical Consulting Services, Centre Technologique Vicomtech, Université de Deusto et Institut de Recherche Sanitaire BIOGIPUZKOA
Objectifs techniques du projet
Avancer dans la connaissance et la mise en œuvre de modèles fondamentaux en imagerie médicale à partir de bases de données de la communauté scientifique et propres au projet pour des études d'imagerie de radiologie 2D et 3D et d'images médicales non radiologiques. Il existe de multiples modalités différentes d'imagerie médicale et il n'est pas évident de savoir comment traiter l'information, que ce soit de manière conjointe ou séparée par modalité, par organe, etc.
Enquêter sur les différentes méthodes d'apprentissage auto-supervisé permettant d'optimiser les performances des modèles fondamentaux. Bien que cette technologie soit fréquemment utilisée en vision par ordinateur, son utilisation en imagerie médicale n'est pas aussi développée et les limites de la technologie dans ce domaine ne sont pas très connues, compte tenu des particularités de l'imagerie médicale.
Étudier différentes méthodes pour effectuer correctement le fine-tuning des modèles fondamentaux d'image pour des tâches spécifiques (prédiagnostic du cancer de la prostate, diagnostic des pathologies respiratoires et des maladies ophtalmologiques) et leur explicabilité afin d'offrir une plus grande confiance au clinicien.
Explorer différentes méthodes de génération synthétique d'images médicales, y compris les modèles de diffusion les plus récents et l'inclusion de conditionnement (par exemple, par texte) pendant la génération. Avancer dans la définition et l'établissement de métriques appropriées et spécifiques pour évaluer la validité des images médicales synthétiques.
Élargir les connaissances sur les modèles vision-langage, capables de traiter des informations médicales multimodales (image+texte) pour résoudre une grande variété de tâches telles que la génération automatique de rapports à partir d'images
