CooLearning + segmentation poumons
Emmanuel Roux (équipe MYRIAD)
Plan de présentation
Histoire des réseaux de neurones
Un réseau de neurone en pratique : CooLearning
Application à la segmentation des poumons
Machine Learning
Deep Learning
Artificial Intelligence
Inspired (and simplified) from the deeplearningbook.org
(I. Goodfellow and Y. Bengio, A. Courville, 2016)
Machine Learning
Deep Learning
Artificial Intelligence
Inspired from Sebastian Raschka's deep-learning course
Artificial Intelligence
Inspired from (Cardon D., Cointet J.-P., Mazieres A., 2018)
Artificial Intelligence
Inspired from (Cardon D., Cointet J.-P., Mazieres A., 2018)
DEDUCTIVE
rule-based
no need of examples
INDUCTIVE
example based
adaptation
Symbolic AI
connectionism
Cybernetics (40’s to 60’s)
Inspired from (Cardon D., Cointet J.-P., Mazieres A., 2018)
connexionism
Perceptron (Rosenblatt)
ADALINE (Widrow & Hoff)
(W. Ross Ashby)
source wikipedia
https://isl.stanford.edu/~widrow/papers/t1960anadaptive.pdf
Symbolic Artificial Intelligence (60’s to 80’s)
Inspired from (Cardon D., Cointet J.-P., Mazieres A., 2018)
Symbolic AI
MYCIN (Shortliffe): medical diagnoses (bacteria identification)
GUIDON (Clancey): teaching medical diagnostic strategy
CADUCEUS (Pople): internal medicine expert system
machine learning (00's to 10's)
deep learning (10's - now)
Image by Dake, Mysid
connexionism (80’s to 00’s)
Plan de présentation
Histoire des réseaux de neurones
Un réseau de neurone en pratique : CooLearning
Application à la segmentation des poumons
2.0
0.5
x_1 = 2
x_2 = 3
y =
+
un neurone
2.0
0.5
x_1 = 2
x_2 = 3
y = 0.5 \times
+
un neurone
2.0
0.5
x_1 = 2
x_2 = 3
y = 0.5 \times 2 +
+
un neurone
2.0
0.5
x_1 = 2
x_2 = 3
y = 0.5 \times 2 +
+
un neurone
2.0
0.5
x_1 = 2
x_2 = 3
y = 0.5 \times 2 + 2.0 \times
+
un neurone
2.0
0.5
x_1 = 2
x_2 = 3
y = 0.5 \times 2 + 2.0 \times 3
+
un neurone
2.0
0.5
un neurone
x_1 = 2
x_2 = 3
y = 0.5 \times 2 + 2.0 \times 3 = 7
+
deux neurones ?
2.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
y = ?
1.0
deux neurones ?
2.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
y = ?
2 \times 0.5 = 1
1.0
deux neurones ?
2.0
1.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
y = ?
2 \times 1 = 2
1
deux neurones ?
2.0
1.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
y = ?
2 \times 1 = 2
3\times2 = 6
1
deux neurones ?
2.0
1.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
2 + 6 =8
y = ?
2
6
1
deux neurones ?
2.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
8
1
y = ?
1.0
deux neurones ?
2.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
8
1
1 \times 2 = 2
8 \times 1.0 = 8
y = ?
1.0
deux neurones ?
2.0
0.5
2.0
1.0
x_1 = 2
x_2 = 3
+
+
+
8
1
2
8
y = 2+8=10
1.0
1.0
0.5
un neurone + fonction d'activation
x_1 = 2
x_2 = 3
4
+
\sigma
\sigma(x)=\frac{1}{1+e^{-x}}
1.0
0.5
un neurone + fonction d'activation
x_1 = 2
x_2 = 3
4
+
\sigma
\sim 0.982
\sim 0.982
\sigma(x)=\frac{1}{1+e^{-x}}
1.0
0.5
un neurone (avec biais)
+ fonction d'activation
x_1 = 2
x_2 = 3
?
+
\sigma
?
\sigma(x)=\frac{1}{1+e^{-x}}
-2.0
1.0
0.5
un neurone (avec biais)
+ fonction d'activation
x_1 = 2
x_2 = 3
2
+
\sigma
\sim 0.88
\sim 0.88
\sigma(x)=\frac{1}{1+e^{-x}}
-2.0
CooLearning : expérimenter sur
un réseau de neurones ... interactif !
> SELECTEUR <
> CHANGE LES POIDS <
> SELECTEUR <
> SELECTEUR <
> SELECTEUR <
> CHANGE LES POIDS <
1.0
> CHANGE LES POIDS <
-0.9
?
> CHANGE LES POIDS <
0.2
?
> CHANGE LES POIDS <
1.0
?
EXPERIMENTEZ !
> SELECTEUR <
> CHANGE LES POIDS <
Plan de présentation
Histoire des réseaux de neurones
Un réseau de neurone en pratique : CooLearning
Application à la segmentation des poumons
Segmentation des poumons
work by Ludmilla Penarrubia (PhD)
Respiratory Intensive Care
ARDS : Acute Respiratory Distress Syndrom
ARDS patient
Mechanical ventilator
ARDS Lungs
Healthy Lungs
Images : shutterstock.com, CT4ARDS dataset, MIDP dataset
work by Ludmilla Penarrubia (PhD)
Density and aeration changes between
end-expiration and end-inspiration
Images : CT4ARDS dataset
Prerequisite :
Segmented lungs
CT image
Quantified CT
work by Ludmilla Penarrubia (PhD)
Images : CT4ARDS dataset, Doctor with Patient Cartoon.svg from Wikimedia Commons by Videoplasty.com, CC-BY-SA 4.0
currently goal
vs.
~1h30 interactive
segmentation/pair of volumes
< 1h automatic segmentation
work by Ludmilla Penarrubia (PhD)
Images : CT4ARDS dataset
ACHIEVEMENT
work by Ludmilla Penarrubia (PhD, post-doc)
< 1 min automatic segmentation
PERSPECTIVES
interactive mesh correction
Images : CT4ARDS dataset
ON GOING WORK
work by María Marquez-Sosa (PhD student)
MERCI POUR VOTRE ECOUTE !
Des questions ?
Emmanuel Roux (équipe MYRIAD)
Présentation collégiens (Projet CooLearning et Segmentation des poumons) - CREATIS
By emmanuelrouxfr
