Le but du projet est de fournir aux cliniciens une méthode de quantification du flux sanguin rapide et fiable pour explorer les écoulements anormaux dans la région la plus difficile à étudier, le système vasculaire cardio-thoracique.

Les cardiomyopathies chroniques non ischémiques (CMNI) sont un groupe complexe de maladies cardiaques représentant 40 % des patients en insuffisance cardiaque. La difficulté de classification, de diagnostic et de traitement est due à leur caractère multifactoriel et à la variabilité clinique. Les sous-types majeurs sont les cardiomyopathies dilatées et hypertrophiques (CMD et CMH), chacune présentant des caractéristiques distinctes. Ces maladies peuvent évoluer vers l'insuffisance cardiaque et comportent un risque d'arythmies cardiaques, y compris la mort subite.

L'embolie pulmonaire (obstruction d'une artère pulmonaire par un caillot sanguin) est la 3ᵉ cause de mortalité en Europe. Après diagnostic, les cliniciens évaluent le pronostic du patient par stratification du risque, sur lequel est basé le protocole de gestion du patient, et donc son évolution. Des études récentes ont montré que la stratification du risque basé sur l'angioscanner n'est pas bien corrélée au pronostic du patient.

L'échocardiographie joue un rôle prépondérant dans la pratique clinique quotidienne pour mettre en évidence une dysfonction structurelle ou fonctionnelle du cœur. Les anomalies observées combinées aux données cliniques de patients conduisent à des diagnostics, dont beaucoup nécessitent la réalisation d'examens complémentaires pour diagnostiquer l'origine (étiologie) de la pathologie cardiaque, ce qui modifiera le pronostic du patient et la thérapie ultérieure.

Nous souhaitons développer un concept où la physique, l'informatique et les mathématiques appliquées permettront d’imager plus rapidement qu'avec les techniques classiques. Pour ce faire, nous proposons de façonner la lumière avec des modulateurs spatiaux de lumière, ce qui permettra d'acquérir plusieurs pixels à la fois et fournira des rapports signal/bruit améliorés. Inspirés par les avancées récentes en intelligence artificielle, nous développerons des réseaux de neurones capable de reconstruire des images à haute résolution spectrale en temps réel.

L’objectif de ce projet est de développer des nouvelles méthodes de reconstruction d’images médicale multimodales en utilisant des techniques d’intelligence artificielle.

Ce projet concerne des approches d'apprentissage automatique préservant la confidentialité des données de santé personnelles

PreSPIN se concentre sur des outils de simulation haute fidélité pour aider les médecins à planifier leur intervention endovasculaire sur les accidents vasculaires cérébraux intracérébraux

Malgré le boom de l’intelligence artificielle (IA), cette dernière peine à s’imposer en imagerie médicale car elle requiert de larges bases de données souvent indisponibles.

Ce projet propose de mélanger des méthodes classiques (variationnelles) et de l’apprentissage profond (IA) en utilisant des images simulées permettant de contourner le manque crucial de données. L’application principale envisagée est la détection de vaisseaux sanguins pour une meilleure prise en charge des suites de l’AVC.

Ce projet propose de simuler des images avec un fort degré de réalisme physiologique dans le cadre de l'AVC, dans le but de créer des jeux de données suffisamment grands pour permettre aux approches d'apprentissage automatique d'être efficaces.

Pour ce faire, ce projet vise une simulation qui intègre la mécanique des fluides dans la lumière vasculaire spécifique au patient extrait à partir de données d'angiographie tridimensionnelle.