Notre collègue Nisrine JRAD présentera ses travaux en vue de l’Habilitation à Diriger des Recherches sur le thème suivant :

Contributions en apprentissage automatique pour l’analyse des données médicales

Date : 20/12/2024 à 10h00
Lieu : Université Catholique de l’Ouest | Bâtiment Jeanneteau | Amphithéâtre Bedouelle | 6, rue Merlet de Laboulaye | 49000 ANGERS

Le jury sera composé de :

• Madame Sophie ACHARD, Directrice de Recherche CNRS Université Grenoble Alpes, Rapporteure
• Monsieur Pierre BEAUSEROY, Professeur des Universités Université de Technologie de Troyes, Examinateur
• Monsieur Mario CHAVEZ, Directeur de Recherche CNRS Université de Sorbonne, Examinateur
• Monsieur Paul HONEINE, Professeur des Universités Université de Rouen Normandie, Rapporteur
• Madame Anne HUMEAU-HEURTIER, Professeure des Universités Université d’Angers, Directrice de Recherche
• Madame Régine LE BOUQUIN, Professeure des Universités Université de Rennes, Rapporteure
• Monsieur Julien OSTER, Chargé de recherche Inserm HDR Université de Lorraine, Examinateur

Résumé

L’apprentissage automatique a été largement appliqué dans le domaine de la santé. Depuis une dizaine d’années, mon intérêt s’est porté sur le développement de méthodes d’apprentissage automatique pour analyser les signaux électroencéphalographiques (EEG), en particulier ceux des patients épileptiques. Ces signaux sont non stationnaires, non-linéaires, multivariés et très bruités. Des méthodes d’apprentissage traditionnelles, basées sur l’extraction manuelle des caractéristiques suivie de la classification, ainsi que des méthodes de classification profondes supervisées et non supervisées ont été proposées pour la détection des anomalies dans l’EEG (crises, oscillations à haute fréquence). Mes principales contributions sont en apprentissage profond supervisé (réseau hybride, mécanisme d’attention) et non supervisé (vues multiples, mutliview deep clustering). Les avancés fondamentales dans ces domaines ont permis de proposer des algorithmes de détection d’anomalies sensibles, fiables et robustes face à la variabilité inter-sujets. Très récemment, je me suis intéressée à étendre mes recherches aux réseaux de neurone sur graphes (GNN) et plus particulièrement à la classification des nœuds dans un graphe en tant qu’outil puissant pour la segmentation d’image.