Résultats de recherche

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.

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.

05/05/2026 | Inscription à la défense de thèse publique de Thibaut Septon Nom Prénom Adresse e-mail Assistera à la réception qui suivra la défense Oui ( optionnel ) Non ( optionnel ) Désire une vignette de parking Oui ( optionnel ) Non ( optionnel ) Souhaite un certificat pour l'assistance à la défense Oui ( optionnel ) Non ( optionnel ) Pour le traitement de votre demande, les données sans mention « optional » doivent obligatoirement être complétées. Lorsque vous soumettez ce formulaire, les données complétées sont transmises à l’UNamur et utilisées pour donner suite à votre demande. Pour en savoir plus sur la protection de vos données et sur vos droits This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

À l’heure où la désinformation, la post-vérité et le complotisme fragilisent la confiance dans les sciences, l’UNamur accueille SPiN (Science & Philosophy in Namur), un nouveau centre de recherche interdisciplinaire qui interroge la place des sciences dans la société. Fondé en septembre dernier par Olivier Sartenaer, professeur de philosophie des sciences à l’UNamur, SPiN rassemble des philosophes et des scientifiques autour d’une vision commune : développer une réflexion critique et accessible sur les sciences dans toute leur diversité.

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.

Nos conférenciers principaux pour 2026 sont la professeure Roosmarijn Vandenbroucke (Université de Gand) et la professeure Nelly Litvak (Université technologique d'Eindhoven). Plus d'infos sur le site "Women in science"

Le F.R.S.-FNRS vient de publier les résultats de ses différents appels 2025. Il s’agit des appels « Crédits & Projets » et « WelCHANGE » ainsi que les appels « FRIA » (Fonds pour la formation à la Recherche dans l’Industrie et dans l’Agriculture) et « FRESH » (Fonds pour la Recherche en Sciences Humaines) visant à soutenir des thèses de doctorat. Résultats pour l’UNamur ? 28 projets sélectionnés témoignant de la qualité et de la richesse de la recherche à l’UNamur. 

Terminator pour parler d’IA ? Wall-E pour parler de la dépendance technologique ? The Truman Show pour évoquer les réseaux sociaux ? Dans un nouvel ouvrage, deux professeurs de l’UNamur, Anthony Simonofski (transformation numérique- Faculté EMCP – Institut NaDI) et Benoît Vanderose (Génie logiciel – Faculté d’informatique – Institut NaDI), proposent un voyage à la croisée du numérique et de l’imaginaire cinématographique. 

Un Hackathon est un moment de courte durée où des équipes réfléchissent à une thématique particulière. Elles tentent d'y apporter des solutions en développant des projets innovants. À la fin de l'évènement, un jury détermine quels sont les projets qui ont retenu leur attention et qui ont donc gagné la compétition. Une initiative du CSLabs Le Computer Science Labs est une junior entreprise issue de la Faculté d’Informatique de l’Université de Namur. Pratiquement, ses actions s’articulent autour de la réalisation de projets, de la formation des membres sur des thématiques liées à l'informatique et de l'organisation d'événements. En savoir plus

JEDDT 2024-2025 | Transcender les frontières disciplinaires pour façonner un avenir durableCe projet institutionnel soutenu par les 7 facultés de l’Université et le fonds 6-24 de la Fondation Roi Baudouin propose à tous les étudiants et étudiantes de fin de cycle de bachelier une approche transversale et holistique qui aborde la transition et le développement durable sous de multiples aspects (populations, santé, droit, biodiversité, ressources planétaires, éthique, économie, justice, gestion … ), sans négliger la dimension spirituelle et émotionnelle de la crise écologique et civilisationnelle que nous traversons.A cette occasion, les étudiants auront l’opportunité de présenter à la communauté universitaire, et au public plus largement, le fruit de la réflexion menée en équipes. Ils le feront au travers d’un support créatif, leur permettant de se challenger dans le cadre d’un débat mené avec des experts et des représentants de la société civile.La cérémonie de clôture sera suivie d’un drink convivial. Cet évènement est gratuit mais l'inscription est obligatoire.

Synopsis The spreading of internet-based technologies since the mid-90s has led to a paradigm shift from monolithic centralized information systems to distributed information systems based upon the composition of software components, interacting with each other and of heterogeneous natures. The popularity of these systems is nowadays such that our everyday life is touched by them.Classically concurrent and distributed systems are coded by using the message passing paradigm-according to which components exchange information by sending and receiving messages. In the aim of clearly separating computational and interactional aspects of computations, Gelernter and Carriero have proposed an alternative framework in which components interact through the availability of information placed on a shared space. Their framework has been concretized in a language called Linda. A series of languages, referred to nowadays as coordination languages, have been developed afterwards. In addition to providing a more declarative framework, such languages nicely fit applications like Facebook, LinkedIn and Twitter, in which users share information by adding it or consulting it in a common place. Such systems are in fact particular cases of so-called socio-technical systems in which humans interact with machines and their environments through complex dependencies. As coordination languages nicely meet social networks, the question naturally arises whether they can also nicely code socio-technical systems. However, answering this question first requires to see how well programs written in coordination languages can reflect what they are assumed to model.This thesis aims at addressing these two questions. To that end, we shall use the Bach coordination language developed at the University of Namur as a representative of Linda-like languages. We shall extend it in a language named Multi-Bach to be able to code and reason on socio-technical systems. We will also introduce a workbench Anemone to support the modelling of such systems. Finally, we will evidence the interest of our approach through the coding of several social-technical systems. The Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Jean-Marie Jacquet - University of Namur, BelgiumProf. Katrien Beuls - University of Namur, BelgiumProf. Pierre-Yves Schobbens - University of Namur, BelgiumProf. Laura Bocchi - University of Kent, United KingdomProf. Stefano Mariani - UNIMORE University, Italy Participation upon registration. Register here