Club informatique

Les présentations du Club informatique portent sur des travaux de recherche effectués dans les laboratoires du Département d'informatique, ainsi que les travaux d'entreprises oeuvrant en informatique. C'est une bonne occasion pour les personnes étudiantes de prendre contact et échanger avec les intervenants afin d'en apprendre d'avantage sur les projets de leurs laboratoires ou entreprises, avant de choisir leurs sujets pour des projets informatiques ou de stages.

Modélisation des bases de données : du modèle entité-association vers un modèle ontologique

7 octobre 2020

Présentatrice

  • Christina Khnaisser, gestionnaire de projets au laboratoire GRIIS

Résumé de la présentation

Au sein d’une organisation, de même qu’entre des organisations, il y a plusieurs intervenants qui doivent prendre des décisions en fonction de la vision qu’ils se font de l’organisation concernée, de son environnement et des interactions entre les deux. Dans la plupart des cas, les données sont fragmentées en plusieurs sources non coordonnées ce qui complique, notamment, le fait de retracer leur évolution chronologique. Ces différentes sources sont hétérogènes par leur structure, par la sémantique des données qu’elles contiennent, par les technologies informatiques qui les manipulent et par les règles de gouvernance qui les contrôlent. Dans ce contexte, un système de santé apprenant (Learning Health System) a pour objectif d’unifier les soins de santé, la recherche biomédicale et le transfert des connaissances, en offrant des outils et des services pour améliorer la collaboration entre les intervenants; l’optique sous-jacente à cette collaboration étant de fournir à un individu de meilleurs services qui soient personnalisés.

Les méthodes classiques de construction de modèle de données sont fondées sur des règles de pratique souvent peu précises, ad hoc, non automatisables. L’extraction des données d’intérêt implique donc d’importantes mobilisations de ressources humaines. De ce fait, la conciliation et l’agrégation des sources sont sans cesse à recommencer parce que les besoins ne sont pas tous connus à l’avance, qu’ils varient au gré de l’évolution des processus et que les données sont souvent incomplètes. Pour obtenir l’interopérabilité, il est nécessaire d’élaborer une méthode automatisée de construction de modèle de données qui maintient conjointement les données brutes des sources et leur sémantique.

Programmation quantique sur les systèmes d’IBM Q

23 septembre 2020

Présentateurs

  • Ghislain Lefebvre, responsable – développement des partenariats à l’Institut quantique
  • Jean-Frédéric Laprade, développeur en informatique quantique à l’Institut quantique
  • Dave Touchette, professeur au Département d'informatique

Résumé de la présentation

L’Institut quantique de l’UdeS met à la disposition des chercheuses, des chercheurs et de la communauté étudiante de l’Université l’accès aux ordinateurs quantiques d’IBM Q via l’Espace IBM Q. Cet Espace est le premier hub de programmation quantique d’IBM Q au Canada et le 14e au monde. Portée par de nombreuses percées scientifiques et techniques, l’informatique quantique est en plein essor. Le potentiel du quantique pour résoudre des problèmes, dont la complexité dépasse la capacité de calcul des super ordinateurs classiques, ouvre la voie à plusieurs champs d’applications notamment en biochimie, finance, logistique ainsi qu’en intelligence artificielle. L’expertise, la complexité et les infrastructures demeurent des obstacles importants pour la plupart des entreprises et des institutions de recherche qui désirent explorer et développer des applications basées sur le calcul quantique. La communauté de l’UdeS a la chance unique d’avoir accès à ces systèmes. Venez en apprendre plus sur les potentiels qu’offrent la programmation quantique et comment accéder aux systèmes d’IBM Q.

Traitement des données médicales pour l’amélioration des trajectoires de soin

16 septembre 2020

Présentatrice

  • Rosalie Plantefève, coordonnatrice scientifique et responsable du volet académique du laboratoire GRIIS

Résumé de la présentation

Dans le domaine médical, l’amélioration de nos connaissances et les avancées technologiques permettent d’obtenir de plus en plus d’informations sur l’état d’un patient, et ouvrent la voie à une médecine personnalisée. Cependant, cela complexifie la prise en charge des patients par l’équipe médicale qui doit pouvoir gérer efficacement les données disponibles. Il est donc important de développer des outils d’assistance qui permettent aux cliniciens de tirer le meilleur parti de ces données pour prendre leurs décisions et améliorer les procédures de soin. 

L’aide au personnel médical peut intervenir à différents moments du parcours de soin du patient : pour la pose du diagnostic, pour la sélection du traitement, pour l’intervention médicale en tant que telle ou pour le suivi du patient.

Cet exposé se concentrera sur le cas du cancer du foie. Il présentera dans un premier temps des systèmes d’amélioration pour différentes procédures médicales, puis exposera certaines voies à explorer pour optimiser la collecte et l’utilisation des données médicales dans le cadre de cette pathologie. 

Segmentation d'images cardiaques par apprentissage profond avec garanties anatomiques

9 septembre 2020

Présentateur

  • Nathan Painchaud, étudiant à la maîtrise en informatique

Résumé de la présentation

Malgré une révolution des outils informatiques d’analyse d’images accessibles aux équipes médicales au cours de la dernière décennie, due notamment aux réseaux de neurones artificiels, l’utilisation routinière des nouvelles technologies pour assister les médecins dans leur travail est encore limitée par des problématiques diverses de fiabilité. C'est particulièrement vrai dans le cas des modalités d'images les plus utilisées en imagerie cardiaque: l'IRM et l'ultrason.

Nous avons donc travaillé à développer des outils d'analyse d'images médicales cardiaques plus précis, plus rapides et plus fiables en routine clinique. Dans cet exposé, nous présenterons un nouvel outil de segmentation basé sur un réseau de neurones de type « auto-encodeur » qui s'attaque au problème de fiabilité d'analyse des images cardiaques, tout particulièrement une tranche de 10 à 15 % de cas plus difficiles, pour lesquels les résultats des approches automatiques sont aberrants pour les médecins. Cette méthode vise à offrir des garanties de performance minimale pour ces cas problématiques, dans la perspective de lever la barrière à l’adoption généralisée de techniques d’intelligence artificielle en imagerie médicale.