{"id":4875,"date":"2025-09-18T11:52:16","date_gmt":"2025-09-18T09:52:16","guid":{"rendered":"https:\/\/www.fresnel.fr\/wp\/?post_type=animation&#038;p=4875"},"modified":"2025-09-21T23:26:03","modified_gmt":"2025-09-21T21:26:03","slug":"sandra-martin-phd","status":"publish","type":"animation","link":"https:\/\/www.fresnel.fr\/wp\/en\/animation\/sandra-martin-phd\/","title":{"rendered":"Sandra Martin, PhD"},"content":{"rendered":"<p>Sandra MARTIN PhD defense entitled<strong> &#8220;<em>Deep learning algorithms for the segmentation and the acceleration of MRI acquisitions in the context of neuromuscular pathology follow-up&#8221; <\/em><\/strong>will take place on the <strong>6<sup>th<\/sup> of October at 02:00 pm<\/strong> in Amphi Rouard, in front of Institut Fresnel, campus St J\u00e9r\u00f4me, Marseille.<\/p>\n<p>The presentation will be in french and the slides in english.<\/p>\n<p>The jury will be composed of the following members :<\/p>\n<ul>\n<li><strong>Antoine Vacavant<\/strong>, Institut Pascal, Reviewer<\/li>\n<li><strong>Pierre-Henri Conze<\/strong>, LaTIM, Reviewer<\/li>\n<li><strong>Caroline Petitjean<\/strong>, LITIS, Examiner<\/li>\n<li><strong>Benjamin Lemasson<\/strong>, GIN, Examiner<\/li>\n<li><strong>David Bendahan<\/strong>, CRMBM, Thesis Supervisor<\/li>\n<li><strong>R\u00e9mi Andr\u00e9<\/strong>, Institut Fresnel, Co-Supervisor<\/li>\n<li><strong>Amira Trabelsi<\/strong>, MultiwaveTechnologies, Invited Member<\/li>\n<li><strong>Redha Abdeddaim<\/strong>, Institut Fresnel, invited Member<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p><strong>Abstract : <\/strong>Les maladies neuromusculaires se caract\u00e9risent par la perte progressive de masse musculaire qui s\u2019accompagne d\u2019un remplacement par du tissu graisseux. Ce contenu en graisse peut \u00eatre quantifi\u00e9 par IRM. Cette fraction graisseuse doit \u00eatre mesur\u00e9e au niveau des muscles individuels car les atteintes peuvent diff\u00e9rer selon les muscles. Cette quantification se fait \u00e0 l\u2019aide d\u2019un processus de segmentation. Cependant, la segmentation manuelle est chronophage et peut souffrir de variabilit\u00e9 inter-op\u00e9rateurs. C\u2019est pourquoi des m\u00e9thodes automatiques ont \u00e9t\u00e9 d\u00e9velopp\u00e9es, notamment des m\u00e9thodes d\u2019apprentissage profond. Les r\u00e9seaux de neurones ont montr\u00e9 leur efficacit\u00e9 pour la segmentation, cependant ces m\u00e9thodes n\u00e9cessitent des ressources de calculs importantes. Dans un premier temps, nous avons \u00e9tudi\u00e9 l\u2019impact de la complexit\u00e9 des r\u00e9seaux de neurones sur la segmentation et l\u2019estimation de la fraction graisseuse. L\u2019\u00e9tude a montr\u00e9 qu\u2019il n\u2019existait pas de lien probant entre la performance de segmentation et la mesure efficace de la fraction graisseuse. Une analyse des pixels mal class\u00e9s a \u00e9t\u00e9 propos\u00e9e afin de mieux comprendre ce ph\u00e9nom\u00e8ne. Parall\u00e8lement, l\u2019optimisation du temps d\u2019acquisition en IRM est un enjeu majeur en IRM pour r\u00e9duire la dur\u00e9e d\u2019examens des patients. Dans un deuxi\u00e8me temps, nous avons acc\u00e9l\u00e9r\u00e9 les acquisitions IRM \u00e0 post\u00e9riori, en utilisant seulement une partie de l\u2019espace d\u2019acquisition, puis nous avons reconstruit les images IRM \u00e0 l\u2019aide d\u2019algorithmes d\u2019apprentissage profond. Il faut n\u00e9anmoins garder \u00e0 l\u2019esprit le maintien d\u2019une qualit\u00e9 finale suffisante pour permettre une interpr\u00e9tation m\u00e9dicale et radiologique. Ces m\u00e9thodes de reconstruction bas\u00e9es sur l\u2019apprentissage profond peuvent rapidement saturer la m\u00e9moire de l\u2019ordinateur pendant l\u2019entrainement, surtout en utilisant des donn\u00e9es 3D. Nous avons alors propos\u00e9 deux nouveaux r\u00e9seaux HalfVarNet et HalfDIRCN, con\u00e7us pour optimiser la m\u00e9moire et le temps de calcul tout en maintenant les performances de reconstruction.<\/p>\n<p style=\"font-weight: 400;\">\n<p><strong>Keywords :<\/strong> qMRI, U-Net, Segmentation, Unrolled network, Acceleration, Memory-efficient, NMD<\/p>\n","protected":false},"featured_media":1319,"template":"","type-animation":[50],"class_list":{"0":"post-4875","1":"animation","2":"type-animation","3":"status-publish","4":"has-post-thumbnail","6":"entry"},"acf":[],"lang":"en","translations":{"en":4875,"fr":4874},"pll_sync_post":[],"_links":{"self":[{"href":"https:\/\/www.fresnel.fr\/wp\/wp-json\/wp\/v2\/animation\/4875","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fresnel.fr\/wp\/wp-json\/wp\/v2\/animation"}],"about":[{"href":"https:\/\/www.fresnel.fr\/wp\/wp-json\/wp\/v2\/types\/animation"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fresnel.fr\/wp\/wp-json\/wp\/v2\/media\/1319"}],"wp:attachment":[{"href":"https:\/\/www.fresnel.fr\/wp\/wp-json\/wp\/v2\/media?parent=4875"}],"wp:term":[{"taxonomy":"type-animation","embeddable":true,"href":"https:\/\/www.fresnel.fr\/wp\/wp-json\/wp\/v2\/type-animation?post=4875"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}