Informatique, Biologie Intgrative et Systmes Complexes

1
Informatique, Biologie Intégrative et Systèmes
Complexes FRE 3190 CNRSUniversité dEvry Val
dEssonne
Équipe TADIB
2
TADIB

• Traitement et Analyse
• de Données et d'Images - Biométrie
• Deux axes Traitement du signal et de données
  imparfaites
• Analyse et traitement dimages
• Permanents
• H. Maaref, S.Lelandais-Bonadè, V. Vigneron HDR
• K. Djemal, C. Montagne MCF

3
Rôles

• Explorer, évaluer et diffuser des nouveaux outils
  de traitement et de modélisation des systèmes
  complexes.
• Information données quantitatives,
  qualitatives, signaux, images, connaissances à
  priori,
• Mise en uvre pratique applications issues du
  labo et/ou propres à léquipe.

4
Approches

• Données conséquentes et hétérogènes
• Extraction d'information
• Fouille, détection, segmentation d'images
• Interprétation
• Classification, reconnaissance, indexation
• ? Aide à la décision

5
Activités
6
Bilan

• Soutenances
• 5 thèses et 1 HDR
• Publications
• 19 revues dont 17 internationales et 2 nationales
  ICAE, Applied soft computing, IEEE Trans. on
  AC, EURASIP, JAST, JEI,
• 54 confs dont 40 internationales IFSA, IROS,
  AVSS, ICINCO, EUSIPCO,
• Animation
• IPTA08, STATIM MIAD en Janvier 2009

7
Domaines dexpertises

• 1-Fusion de données basée sur la théorie des
  possibilités
• 2-Algorithme doptimisation automatique de SIF
  robotique mobile et commande dun drone
• 3-Séparation aveugle de sources applications
  biomédicales (ECG, EMG)
• 4-Extraction et classification dattributs pour
  la reconnaissance dimages
• 5-Bio-identification (Projet IV²)
• 6- Imagerie cellulaire

8
Extraction de ECG ftal par SAS (1)?
Réseau de capteurs
Débruitage ECG filtrage bayésien
Analyse de la composante périodique
Extraction des ECG à partir des biosignaux
9
Stratégie d'arrangement des électrodes
Extraction de ECG ftal par SAS (2)?
10
Extraction EMG diaphragmatique par SAS
Choix des ondelettes et choix des échelles
11
Projet IV² (1)
Identification du Visage via lIris et la
VidéoProgramme Techno Vision Ministères de la
recherche et de la défense
9 partenaires impliqués GET ENST INT ECL -
THALES EURECOM LET IT WAVE URATEK INRIA
IBISC (coordonnateur)
12
Projet IV² (2)

• Présentation des données IV²
• Multimodales iris, visages 2D/3D (stéréo et
  scanner), visages parlants
• Grande variabilité intra-classe
• différentes poses
• différentes expressions
• Conditions déclairage variables

13
Projet IV² (3)
Accord CNIL n 1178803 obtenu en janvier 2007
pour 3 ans Délibération 2007-006
Une première campagne dévaluation menée fin 2007
a mis en évidence lintérêt de la base de données
IV². Les tests réalisés sur la fusion de
modalités illustrent bien lamélioration apportée
par lapproche multimodale.
Données obtenues
FAR False Acceptance Rate FRR False Rejection
Rate DET Detector Error Trade-off
14
Travaux en cours

• 1-Biométrie
• 2-Analyse et caractérisation de cellules
• 3-Classification d'attributs en vue de la
  reconnaissance dimages par le contenu (image
  hétérogène et image biomédicale)
• 4-Apprentissage pour élaboration de  Shunt 
  neuronal
• 5-Fusion multi-capteurs pour la RA et
  aéronautique
• 6-Algortihmes pour la Robotique 2D et 3D

15
Détection de visage par moments de Zernike
16
Combinaison dindices 2D et 3D
Renforcez le taux de reconnaissance par
lutilisation de la multimodalité images 2D
issues des caméras constituant une base
stéréoscopique 3D incomplet puisque seuls 12
points, issus de travaux en anthropométrie, sont
reconstruits. Stratégie de fusion à définir entre
ces deux modalités.
17
Clusterisation de bases de données
Objectifs Augmenter les taux didentification et
diminuer le temps de recherche des identités par
un apprentissage non supervisé.
Principe Procéder à une identification en deux
temps. Première étape Recherche de la (des)
classe(s) de la requête Deuxième étape
Identification dans la (ou les) classe(s)
retenue(s)
Apprentissage non supervisé ? Contenu non
sémantique des classes Différentes approches de
clusterisation K-Means, Birch, cartes de
Kohonen Combinaisons de méthodes, par exemple
Eigenfaces dans létape 1 et Fischerfaces dans
lidentification finale
18
Caractérisation de cellules cancéreuses
Contexte
19
Caractérisation de cellules cancéreuses

• Objectif Séparation des cellules en trois
  classes
• Corolaire détection et locallisation des
  cellules présentent dans limage

Cellules rondes
Cellules lisses
1
2
Tissu sain
Cellules blebbantes
Cellules allongées
gt Migration amiboïde
gt Migration mésenchymateuse
20
Comptage des cellules
Caractérisation de cellules cancéreuses

• Comparaison de trois approches. Le comptage
  manuel inclus des demi-cellules situées sur les
  bords et de petites cellules.

21
Objectif Aide au diagnostic pour le dépistage du
cancer du col de lutérus
Classification automatique de cellules

• 10 lames
• 5 à 10000 objets
• 117 variables
• Morphologiques
• Texturelles
• Photométriques

Analyse discriminante LQA - LDA
22
Indexation dimages par le contenu (1)
EXTRACTION D'ATTRIBUTS
Consiste à calculer une signature résumant le
contenu de limage.
Cette signature sera ultérieurement utilisée pour
lindexation.
23
Indexation dimages par le contenu (2)
ARCHITECTURE D'INDEXATION
Apprentissage
Modèles
Classification par SVM
Utilisateur
Résultats / Réponses
Interface
Reconnaissance
24
Aide au diagnostic du cancer du sein (1)
Analyse de la morphologie des masses détectées
dans des mammographies.
Utilisation dune base de données australiennes
70 images de mammographies analysées par des
cliniciens.
25
Aide au diagnostic du cancer du sein (2)
26
SHUNT neuronal

• Objectif Réparation fonctionnelle de connexions
  nerveuses
• Par apprentissage
• Modèle animal Rat
• Microélectrodes pour l'enregistrement signaux
  corticaux
• Apprentissage type machine learning

Dans le cadre dune coopération TecSan
France-Taiwanavec le National Tsing Hua
University
27
Hybridation de capteurs pour L3AR

• Contexte Lancement Assisté par Aéroporteur
  Autonome Réutilisable (L3AR), dans le cadre du
  projet PERSEUS piloté par le CNES.
• Objectifs de létude obtenir la précision et la
  cadence de mesures nécessaires pour
  lautomatisation de la séquence de largage.
• Études modélisation du comportement
  aérodynamique et mécanique du L3AR, plan de
  mesures de la séquence de largage,
  caractérisation et modélisation de capteurs et de
  leurs défauts, hybridation de capteurs par fusion
  de données
• Algorithmes mis en uvre filtre de Kalman,
  FKE, unscented, particulaire
• Moyens dessais
• au sol banc détudes mécaniques, simulations
  par trajectoires préenregistrées
• en vol mini drone Chevalier Noir, fusée
  expérimentale, démonstrateur EOLE.
• Perspectives
• intégration des boucles de pilotage et de
  guidage, du diagnostique
• prise en compte dautres contraintes humidité,
  dépression/vide, fatigue
• recherches sur les algorithmes dhybridation
• capteurs de nouvelle génération.

28
Synthèse
Projets en cours
ANR blanche déposée en novembre 2008  Biocell 
Thèses en cours 8 Animation IPTA 2010 et SSD
2011 à Evry
29
Collaborations

• Internes à IBISC
• HANDS, Dynamic, RATC, VASCO
• Externes
• National Samos, Hôpital Pitié-Salpétrière, LIS,
  Intermédia (Télécom Sud Paris), UTT
• International Tunisie (RIADI, ENIS, ENIT),
  Algérie (Ecole Polythechnique dAlger, Université
  de Tizi-Ouzou, Université de Tébéssa), Iran,
  Canada, Taiwan