Résultats de recherche

Depuis environ une décennie, une maladie attire l’attention de la communauté médicale. Son nom : la sarcopénie. Cette pathologie touche plus de 10 % des plus de 65 ans et se caractérise par une perte importante de la masse et de la force musculaire. Charlotte Beaudart, membre du Département de sciences biomédicales et de l'Institut de recherche NARILIS, s’est imposée sur la scène internationale ces dernières années en contribuant à mieux comprendre cette maladie et à la faire connaître.

Comment mieux protéger les femmes face aux risques de thrombose associés à la pilule contraceptive ? Des chercheurs du Département de pharmacie de l’UNamur viennent d’aboutir à un modèle de prédiction innovant permettant d’estimer plus précocement le risque thrombotique lié à la prise de contraceptifs oraux combinés. A terme, l’objectif est d’accompagner les professionnels de santé dans la prescription d’une pilule adaptée à chaque patiente. 

Abstract Transmission tower inspection is a crucial step in maintaining high-voltage electrical infrastructure. To perform these inspections, UAVs have proven to be a groundbreaking method for conducting such inspections. The UAV provide a fast, precise, cheap, and modular way to perform thorough audits. The next step in the transmission tower audit is to automate the analysis task. During this thesis, the goal of achieving a relative and adaptive autonomous flight for the transmission tower was attempted. In the first part of the thesis, we explain how the audits are executed. We explain the history of the UAV and describe them. We then make a small state-of-the-art Computer Vision neural network. This first part brings the basic understanding of the domain. In the second part of the thesis, we present our distinct contributions. Due to the sponsorship of this thesis, we highlight the industrial and scientific contributions. The first contribution is the creation of a platform that enables a comprehensive analysis of flights within the domain. That platform displayed flows and offered some guidance on how to perform audits more effectively. Thanks to the software, we were able to showcase the capabilities of our autonomous system in comparison to other solutions.The second scientific contribution is the creation of datasets around the domain of transmission towers. To train the machine learning algorithm, well-curated datasets were necessary. Due to the scarcity of data in that domain, we decided to study the impact of synthetic data to help train AI in computer vision. The datasets showed promising results in different ML algorithms such as UNet and Mask2Former. In some situations, hybrid dataset-trained models outperform models trained on only the physical world dataset. The third scientific contribution involves training a Convolutional Neural Network for transmission tower segmentation. This modern neural network is designed for use in an embedded computer on a UAV. The fourth contribution is the development of different flight controller algorithms during the thesis. These autopilots ranged from a more basic flight assistant for the pilot to an autonomous flight system. A large-scale comparison is done of the different flight controllers.The final scientific contribution is a study on monocular depth perception in the context of a UAV flying around a transmission tower. This study compares six state-of-the-art pre-trained models. A large data set is created using photogrammetry software to generate pixel-wise depth annotations for each image. The study compares the models using different metrics and ranks them based on their capabilities.  Jury Prof. Tuci Elio - University of Namur, BelgiumProf. Anthony Cleve - University of Namur, BelgiumProf. Pierre-Yves Schobbens - University of Namur, BelgiumProf. Alvaro Gutierrez - Universidad Politecnica de Madrid, EspagneMr. Fabian Duchesne - Qualitics SPRLProf. Anders Lyhne Christensen - SDU, Denmark Evènement public et gratuit - Inscription obligatoire Je m'inscris

Le 21 février dernier, l’Université de Namur a accueilli le colloque « Médecine et littérature », organisé par le groupe d’histoire de la médecine et des sciences de la santé, avec le soutien de l’Académie royale de langue et de littérature françaises de Belgique. Près de 70 participants se sont réunis dans les locaux de la Faculté de médecine pour une journée de réflexion particulièrement ouverte et stimulante, consacrée aux liens profonds et anciens entre pratiques médicales et création littéraire.

Abstract L’apprentissage profond a révolutionné la vision par ordinateur ces dernières années et a été appliqué à de nombreux domaines. Cette thèse se concentre sur l’endoscopie médicale, où l’apprentissage profond peut aider les médecins dans de nombreuses tâches, comme la navigation dans les poumons lors d’une bronchoscopie, l’assistance à la détection des maladies pulmonaires, la détection de la maladie de Crohn à partir d’une endoscopie par capsule (PillCam), ou encore l’automatisation de la détection de polypes lors de procédures de colonoscopie.Cette thèse, intitulée From Pixels to Practice: Deep Learning for Endoscopy, étudie comment les réseaux de neurones modernes et les paradigmes d’apprentissage peuvent améliorer la compréhension visuelle en endoscopie, dans le but de contribuer à des systèmes d’aide au diagnostic (Computer-Aided Detection, CAD) intégrables dans les flux de travail cliniques.Ce travail suit une structure basée sur des articles et relie des avancées méthodologiques en modélisation géométrique et temporelle à des techniques permettant de gérer la rareté et le déséquilibre des données, ainsi qu’aux implications pratiques et cliniques de l’apprentissage profond pour la détection de tumeurs pulmonaires, tant du point de vue clinique que du point de vue des praticiens. La première partie du manuscrit fournit un socle commun à toutes les parties suivantes. Tout d’abord, nous présentons une introduction générale au domaine de l’apprentissage automatique au Chapitre 1, en expliquant des concepts tels que la classification, les fonctions de perte et les réseaux de neurones artificiels. Ensuite, le Chapitre 2 se concentre sur le domaine de l’apprentissage profond pour la vision par ordinateur, en détaillant les principales tâches de vision, le concept de réseaux de neurones convolutionnels, ResNet et U-Net. Enfin, le Chapitre 3 décrit l’imagerie médicale, avec un focus sur les scanners tomodensitométriques (CT) et l’imagerie optique. La deuxième partie de la thèse s’intéresse à l’apprentissage de représentations spatio-temporelles. Au Chapitre 4, nous utilisons des réseaux de neurones profonds combinant des caractéristiques spatiales et une récurrence temporelle pour aborder le problème de la détection de la carène bronchique, un repère anatomique qui aide les médecins à se repérer dans les poumons. En évaluant des modèles de classification (ResNet-50), de segmentation (nnU-Net) et récurrents (GRU) sur un jeu de données de bronchoscopie que nous avons créé, l’étude met en évidence les bénéfices de la combinaison d’informations issues des masques de segmentation et de caractéristiques temporelles. Le Chapitre 5 poursuit sur la tâche de segmentation en analysant dans quelle mesure des U-Net équivariants par rotation, basés sur des E(2)-CNN avec des groupes de symétrie C4, C8 et D4, peuvent améliorer les performances lorsque l’orientation des objets dans l’image est arbitraire. Ensemble, ces chapitres montrent comment la modélisation temporelle et géométrique capture des aspects complémentaires de la structure visuelle. Ils soulignent en outre que le déséquilibre et la rareté des données constituent un problème récurrent en apprentissage profond. La troisième partie étudie l’apprentissage en situation de rareté et de déséquilibre des données. Tout d’abord, le Chapitre 6 explore un pré-entraînement contrastif supervisé [1] sur de grands jeux de données endoscopiques de domaine proche (Hyper-Kvasir [2], LDPolyp [3]), transféré ensuite vers des données plus petites et spécifiques à une pathologie (Crohn-IPI [4]). Cette méthodologie donne de meilleures performances que le pré-entraînement sur ImageNet ou basé sur l’entropie croisée, ce qui met en avant la valeur de représentations contrastives spécifiques au domaine. Ensuite, le Chapitre 7 introduit leMask-Aware Cropping (MAC), une nouvelle technique d’augmentation de données qui atténue le déséquilibre au niveau des pixels en segmentation. Sur divers jeux de données présentant des régimes de déséquilibre variés (URDE [5], Kvasir-SEG [6], HAM10000 [7]), MAC améliore systématiquement les métriques Dice et IoU dans des conditions de déséquilibre extrême. Ensemble, ces méthodes forment un cadre centré sur les données pour un apprentissage efficace lorsque les annotations sont rares ou inégalement réparties. La quatrième partie de la thèse se concentre sur l’apprentissage profond au bloc opératoire. Le Chapitre 8 propose un premier modèle (ResNet-50) pour la détection visuelle du cancer du poumon en bronchoscopie, entraîné sur des données réelles, in-vivo. Le modèle dépasse les performances de médecins juniors, tout en restant inférieur à celles des experts. Ce résultat montre que les systèmes de CAD pour la détection du cancer du poumon sont prometteurs. Le Chapitre 9 prolonge ce travail en évaluant l’utilisabilité d’un système de CAD basé sur un modèle d’apprentissage profond. En combinant indices de probabilité, graphes temporels et superpositions de cartes de saillance, une évaluation multicentrique avec 10 médecins est menée. L’outil reçoit des retours favorables, avec une utilisabilité élevée (score SUS de 80,5 [8]) et une forte acceptation clinique. Au-delà de l’endoscopie, les résultats concernant l’équivariance par rotation et le déséquilibre au niveau des pixels se généralisent à d’autres domaines tels que la microscopie, la dermatologie et l’imagerie aérienne. Cela montre que les méthodes proposées sont applicables à l’apprentissage visuel sous variabilité structurée et sous contraintes de données limitées.Mots-clés : apprentissage automatique, vision par ordinateur, médecine, endoscopie, réseaux de neurones convolutionnels, segmentation, modèles récurrents, équivariance.  Jury Prof. Dumas Bruno - Université de NamurProf. Frénay Benoit - Université de NamurProf. Schobbens P-Y. - Université de NamureProf. Beuls Katrien - Université de Namur,Dr. Mertens Benjamin - Lys MédicalProf. Oramas Mogrojevo José Antonio - Université d’AnversDr. Mancas Matei - Université de Mons S'inscrire

School-IT, porté par la Faculté d’Informatique de l’Université de Namur, propose une mallette numérique innovante pour initier les élèves du maternel, primaire et secondaire à l’informatique. Conçue pour simplifier la tâche des enseignants, elle rassemble des activités prêtes à l’emploi, courtes et indépendantes, accompagnées de ressources pédagogiques et multimédias pour les enseignants et leurs élèves. Avec School-IT, enseigner l’informatique devient simple, concret et accessible à tous.

Que ce soit dans les sciences biomédicales ou dans les sciences pharmaceutiques, la dimension internationale joue un rôle essentiel ! Grace aux accords de coopération noués avec de nombreuses institutions de recherche, de laboratoires et d’universités, la Faculté de médecine de l’UNamur a lancé de nombreux projets de recherche, favorisant ainsi les échanges étudiants, ainsi que la mobilité des chercheurs.

Participer à un échange Erasmus, c’est bien plus qu’un simple séjour à l’étranger : c’est une expérience unique qui enrichit votre avenir, tant sur le plan académique que personnel. En rejoignant un programme de mobilité internationale, vous découvrez de nouvelles méthodes d’apprentissage, développez vos compétences linguistiques et accédez à un réseau d’étudiants et de professionnels bien plus vaste.

L'ordinateur n'est pas si malin... et en prendre conscience est essentiel pour maîtriser cet outil. Cela passe par la compréhension de son fonctionnement, de ses capacités et de ses limites.

Programme 08h30- 9h00 : accueil09h00 - 10h30 : session 110h30 - 10h45 : pause café10h45 - 12h15 : session 212h15 : lunch Inscription

Le manque de soins de première ligne est un enjeu de santé publique majeur. En 2022, on estimait ainsi que 52 communes de Belgique francophone étaient confrontées à une pénurie sévère de médecins généralistes. Une situation préoccupante à laquelle l’Observatoire universitaire en médecine rurale (OUMRu) s’attaque depuis 2023, dans le but d’identifier des pistes de solutions concrètes. Aux côtés d’un médecin et d’une géographe de la santé, Amélie Pierre, sociologue et chargée de cours à la Faculté Économie Management Communication sciencesPo (EMCP), étudie les ressorts de l’accessibilité aux soins, notamment du point de vue des patients. Elle insiste sur la nécessité d’intégrer les réalités vécues par les publics en situation de vulnérabilité.

JuryProf. Benoit Frénay, Université de Namur (Promoteur)Prof. Isabelle Linden, Université de Namur (Co-Promoteur) ;Prof. Xavier Devroey, Université Namur (Président) ;Prof. Claire Lobet, Université de Namur ;Prof. Florentin Kucharczak, Université de Montpellier ;Mr. Achimi Hassaini, Thales Alenia SpaceMr. Olivier Dequenne, AISIN Europe.AbstractThis thesis proposes a robust, interpretable, and transferable deep-learning framework for anomaly detection in safety-critical domains such as industrial quality control and medical diagnostics. These two fields, though distinct, share major challenges: class imbalance with limited abnormal samples, and the need for trustworthy and real-time decisions under strict reliability constraints. The main objective is, thus, to build methods with minimal supervision (training with normal data only) while allowing a human-aligned interpretability.The approach combines artificial intelligence unsupervised generative modeling with supervised classification, focusing on patching techniques, local representation, and interpretable scoring. Four key contributions structure this work:(i) Generative Adversarial Network Anomaly Detection through IntermediatePatches (GanoDIP), a Generative Adversarial Network (GAN) architecture for high-resolution, industrial anomaly localization at the patch level.(ii) Vector Quantized Generative Adversarial Network Anomaly Detectionthrough Intermediate Patches (VQGanoDIP), an extension with vector-quantized latent representations and composite scoring for improved reconstruction and fidelity.(iii) Cycle Generative Adversarial Network-Anomaly Detection (CGAN-AD), a conditional image translation model that integrates both normal and abnormal data for enhanced domain transfer in industrial and medical settings.(iv) Trustworthy approximated partial AUC (tapAUC), a loss function that enforces the Zero False Negative constraint, for high recall in critical scenarios.These models are deployed in real-world use cases. The framework is integrated into an active production line to detect unexpected components (such as screws) in printed circuit boards, delivering interpretable decisions with minimal false alarms. In the medical domain, the approach is adapted to well perform in Positron Emission Tomography (PET) based coma receptivity analysis, and some techniques are incorporated for an ovarian cancer segmentation application. These results demonstrate not only technical efficiency but also organizational viability through human-in-the-loop deployment and real-time scalability.Together, these contributions establish a modular, constraint-aware, and explainable anomaly detection paradigm, advancing the field towards trustworthy and human-centered artificial intelligence in high-stakes environments.