Apprentissage profond du phénotype d'imagerie et du génotype pour prédire le temps de survie global des patients atteints de glioblastome

Apprentissage profond du phénotype d'imagerie et du génotype pour prédire le temps de survie global des patients atteints de glioblastome

Dans le monde entier, le glioblastome (Glioblastoma, GBM) est la tumeur cérébrale maligne la plus courante et la plus mortelle. Ces dernières années, des études ont tenté de prédire la survie globale (Overall Survival, OS) des patients atteints de GBM en utilisant des techniques d’apprentissage automatique basées sur les phénotypes d’imagerie unimo...

Révéler les mécanismes de la satiation sémantique avec des modèles d'apprentissage profond

Révéler les mécanismes de la satiation sémantique avec des modèles d'apprentissage profond

Le Modèle d’Apprentissage Profond Révèle le Mécanisme de Saturation Sémantique La saturation sémantique, c’est-à-dire le phénomène où un mot ou une phrase perd son sens après avoir été répété plusieurs fois, est un phénomène psychologique bien connu. Cependant, les principes micro-neurocomputionnels qui provoquent ce mécanisme sont encore inconnus....

Un cadre d'adaptation de domaine de transport siamois pour la classification IRM 3D des gliomes et des maladies d'Alzheimer

Classification des Gliomes et de la Maladie d’Alzheimer sur des IRM 3D Basée sur le Cadre d’Adaptation de Domaine Siamese-Transport Contexte de l’Étude Dans le diagnostic assisté par ordinateur, le dépistage des images par résonance magnétique (IRM) 3D joue un rôle crucial dans le diagnostic précoce de diverses maladies cérébrales, permettant de pr...

Une approche basée sur le Transformer combinant un réseau d'apprentissage profond et des informations spatio-temporelles pour la classification des EEG bruts

Contexte et Objectif de la Recherche Ces dernières années, les systèmes d’Interface Cerveau-Ordinateur (Brain-Computer Interface, BCI) ont été largement utilisés dans les domaines de l’ingénierie neuronale et des neurosciences, et l’électroencéphalogramme (EEG), en tant qu’outil pour refléter l’activité de différents groupes de neurones du système ...

Une approche d'apprentissage profond basée sur l'attention pour la classification des stades du sommeil avec EEG monocanal

L’électronique IEEE (Institut des ingénieurs électriques et électroniques) a publié dans le volume 29 de “Transactions on Neural Systems and Rehabilitation Engineering” de 2021 un article intitulé “A Single-Channel EEG Sleep Stage Classification Method Based on Attention Deep Learning”. Cet article a été rédigé par les chercheurs Emadeldeen Edele, ...

Réseau d'apprentissage de régularisation implicite inspiré du mécanisme de génération de bruit et d'imagerie pour la reconstruction CT à faible dose

Réseau d'apprentissage de régularisation implicite inspiré du mécanisme de génération de bruit et d'imagerie pour la reconstruction CT à faible dose

#Application d’un Réseau d’Apprentissage avec Régularisation Implicite Inspiré par la Génération de Bruit et le Mécanisme d’Imagerie à la Reconstruction de CT à Basse Dose La tomodensitométrie à basse dose (Low-Dose Computed Tomography, LDCT) est devenue un outil important en imagerie médicale moderne, visant à réduire les risques radiatifs tout en...

Détection d'anomalies des sons cardiaques grâce à une collaboration multi-institutionnelle: Introduction d'un cadre d'apprentissage fédéré

Détection d'anomalies des sons cardiaques grâce à une collaboration multi-institutionnelle: Introduction d'un cadre d'apprentissage fédéré

Une étude de collaboration inter-agences sur la détection des anomalies des bruits cardiaques en utilisant l’apprentissage fédéré Contexte académique Les maladies cardiovasculaires (CVDs) sont devenues l’une des principales causes de mortalité, notamment chez les personnes âgées. Les problèmes de santé cardiovasculaire requièrent une attention part...

Prédiction de l'origine tumorale dans les cancers d'origine primaire inconnue par l'apprentissage profond basé sur la cytologie

Prédiction de l'origine tumorale dans les cancers d'origine primaire inconnue par l'apprentissage profond basé sur la cytologie

Introduction Le cancer primitif inconnu (Cancer de Unknown Primary, CUP) est un type de maladie maligne confirmée par l’histopathologie mais dont le site primaire ne peut être identifié par les méthodes diagnostiques de routine. Le CUP représente un défi important en diagnostic et traitement clinique, représentant 3 à 5% de tous les cancers humains...