Le but de ce projet est de développer, en python, une interface graphique pour segmenter (ie trouver les contours) des tumeurs cérébrales sur des images d’IRM (imagerie par résonance magnétique). Les étudiants devront développer et/ou utiliser des méthodes existantes de segmentation et évaluer leur précision sur la base de données BraTS (https://www.med.upenn.edu/sbia/brats2018.html). Il y aura aussi la possibilité d’utiliser des méthodes d’apprentissage profond (deep learning).
Convolutional Neural Networks (CNNs) can be trained to achieve state-of-the-art performance in several computer vision tasks thanks to complex topologies with millions of learnable parameters. Such complex topologies limit however the chances to deploy such architectures on embedded devices, where installed memory and computational resources are limited. Nevertheless, once a network has been trained at a task, part of the connections between neurons can be dropped, yielding a sparse network topology with reduced memory foot print.
il est maintenant bien connu que le flux video sur Internet induit une consommation énergétique très importante induusant un bilan carbone exécrable (dépendent néanmoins du mix énergétique de chaque pays). L’idée de ce projet est de procéder à un bilan carbone complet de cette méthode de vision en prenant donc en compte le maximum d’éléments (stockage, nombre de téléchargements, mix énergétique) et de le comparer à des méthodes plus rudimentaires de visionnage (DVD, location de DVD, un simple téléchargement, etc) afin de préconiser des méthodes de visionnage selon les usages pratiqués.
