Avis de Décès d’André Lannes
Chers collègues, C’est avec une grande tristesse que nous faisons part du décès d’André Lannes...
22 Février 2024
Catégorie : Ecole thématique
La 5ème édition du Summer School on Deep Learning for Medical Imaging (DLMI) se tiendra à l'École de technologie supérieure (ÉTS) de Montréal du 8 juillet au 12 juillet prochain.
Cette école d'été s'adresse aux chercheurs débutants ou plus expérimentés en imagerie médicale, souhaitant approfondir leurs connaissances en apprentissage automatique et son application à de multiples problèmes dans ce domaine. Le programme inclut diverses présentations d'experts (15h au total) couvrant les bases de l'apprentissage automatique, les réseaux de neurones en apprentissage profond, de même que des sujets plus avancés tels que les modèles génératifs, l'adaptation de domaine, l'apprentissage faiblement supervisé et les modèles fondateurs. Les participants pourront également mettre en pratiques les concepts présentés à l'école grâce à 4 séances hands-on de 3h chacune.
Pour avoir plus d'informations ou vous inscrire, visitez notre site internet:
https://event.fourwaves.com/dlmi2024
Dates importantes
15 janvier 2024: Ouverture des inscriptions
24 mai 2024: Date limite d'inscription
8-12 juillet 2024: École d'été
Comité organisateur
Jose Dolz - ETS
Christian Desrosiers - ETS
Thomas Grenier - Université de Lyon
Michaël Sdika - Université de Lyon
Pierre-Marc Jodoin - Université de Sherbrooke
Les places sont limitées, ne tardez pas à vous inscrire!
https://event.fourwaves.com/dlmi2024/pages
Monday July 8th
8h00 - 9h00 Registration and Breakfast
9h00 - 9h15 Welcome talk
9h15 - 10h30 Basics of deep learning Part 1
Perceptron and multi-layer perceptron, stochastic gradient descent, learning rate, logistic regression, activation function, regularization (L1/L2/dropout/early stopping), etc.
10h30 - 10h45 Coffee Break
10h45 - 12h00 Basics of deep learning Part 2
Perceptron and multi-layer perceptron, stochastic gradient descent, learning rate, logistic regression, activation function, regularization (L1/L2/dropout/early stopping), etc.
12h00 - 13h30 Lunch at the ETS
13h30 - 15h00 Basics of deep learning Part 3
Weights initialization, forward and backward propagation, batch size, convolution neural nets (CNN), feature maps, pooling, pretraining and transfer learning, applications
15h00 - 15h30 Coffee break
15h30 - 17h00 Convolutional neural networks
Common CNN architectures for classification (VGGNet, ResNet, ...) and localization (FasterRCNN, Yolo) and segmentation (encoder-Decoder, U-Net, ENet, ...)
17h30 - 19h30 Cocktail at the ETS
Tuesday, July 9
8h30 - 9h00 Breakfast
9h00 - 10h30 Generative and adversarial methods for medical imaging
GANs, autoencoders, VAE and their application to medical imaging.
10h30 - 11h00 Coffee Break
11h00 - 12h30 Advanced concepts in deep learning Part 1
RNN, Attention, Transformers, ViT, etc.
12h30 - 14h00 Lunch at the ETS
15h00 - 15h30 Coffee break
14h00 - 16h30 Hands-on session 1: Introduction
Classification from machine learning to deep learning
16h30 - 18h00 Poster session
Wednesday, July 10
8h30 - 9h00 Breakfast
9h00 - 10h30 Uncertainty and explainability
Quality, uncertainty, calibration, explainability.
10h30 - 11h00 Coffee Break
11h00 - 12h30 Typical medical imaging issues
Domain adaptation, privacy protection and federated learning, adversarial learning, common pitfalls, incomplete data, etc.
12h30 - 14h00 Lunch at the ETS
14h00 - 17h00 Hands-on session 2: Segmentation using deep learning
Thursday, July 11
8h30 - 9h00 Breakfast
9h00 - 10h30 Weakly supervised deep learning
Weakly supervised segmentation, constrained CNN losses, semantic segmentation, semi-supervised learning
10h30 - 11h00 Coffee Break
11h00 - 12h30 Round table
What are the challenges for AI to break into clinic?
12h30 - 14h00 Lunch at the ETS
14h00 - 17h00 Hands-on session 3: Variational Autoencoders
Auto-encoders, convolutional auto-encoders, variational auto-encoders, latent spaces
18h00 - 21h30 Museum visit and banquet dinner
Friday, July 12
8h30 - 9h00 Breakfast
9h00 - 10h30 Advanced concepts in deep learning Part 2
Foundation models, text-image models, CLIP, diffusion networks, Dall-E, etc.
10h30 - 11h00 Coffee Break
11h00 - 12h30 Geometric deep learning
Spectral coordinates and representation, spectral deep learning, brain surface matching and parcellation
12h30 - 12h45 Closing remarks
12h45 - 14h00 Lunch at the ETS
14h00 - 17h00 Hands-on session 4: Weakly supervised learning