J’ai particip´e `a des activit´es d’enseignement depuis le d´ebut de ma th`ese, en tant qu’allo-cataire moniteur dans un premier temps puis en tant que vaqu’allo-cataire depuis mon recrutement au CNRS. J’ai toujours trouv´e un int´erˆet certain pour l’activit´e d’enseignement, bien qu’elle n’entre pas strictement dans les pr´erogatives des chercheurs. La majorit´e de mes enseignement a ´et´e r´ealis´ee en ´ecole d’ing´enieur (2`eme et 3`eme cycle) mais beaucoup plus rarement en mas-ter recherche, la difficult´e `a trouver des enseignant et donc la demande ´etant visiblement tr`es importante dans le premier cas et tout simplement inexistante dans le second.
Mon activit´e d’enseignement se r´esume en volumes horaires `a :
Ann´ee cours TD 1997-1998 21h 98h 1998-1999 7h 100h 1999-2000 7h 108h 2001-2002 10h 2002-2003 13h 36h 2003-2004 15h 72h 2004-2005 32h 78h 2005-2006 33h 48h Total 138h 540h
Ces enseignement se r´epartisse essentiellement entre : – Programmation orient´ee objet (C++, java)
– Synth`ese d’images – Traitement d’images – Imagerie m´edicale
– Technologies de grilles de calcul
Je suis ´egalement depuis l’ann´ee universitaire 2005 responsable de la fili`ere de troisi`eme ann´ee VIMM (Vision, Image et MultiM´edia) de l’Ecole Polytechnique Universitaire de Nice-Sophia Antipolis. Cette nomination a ´et´e pouss´ee par l’absence de candidat `a ce poste parmi le corps professoral de cet ´etablissement dans lequel je r´ealise la majorit´e de mes enseignements et ma volont´e de contribuer au bon fonctionnement de l’organisme.
En 2006, j’ai ´et´e sollicit´e en tant qu’enseignant dans le domaine des grilles de calcul `a l’´ecole d’´et´e organis´ee par le projet Europ´een SEEGRID `a Budapest.
Chapitre 4
Conclusions et perspectives
4.1 Le¸cons tir´ees des principaux r´esultats pr´esent´es
Mes principaux travaux de recherche ont port´e sur l’analyse d’images m´edicales et l’exploi-tation d’infrastructures de grilles de calcul. Dans les deux cas, l’application m´edicale est la principale motivation pour la r´ealisation de ces travaux. J’oriente mon activit´e en fonction de ce but concret.
Mes travaux sur la segmentation d’images m´edicales ont conduit `a l’am´elioration de la technique des mod`eles surfaciques d´eformables discrets. Le r´esultat est une formalisation du probl`eme de d´eformation de la surface sous une forme qui permet une meilleure r´egularisation par l’int´egration conjointe de transformations globales et de d´eformations locales. La force de cette approche repose sur la possibilit´e de passer de mani`ere it´erative de transformations globales de l’espace `a des d´eformations locales au cours du processus de d´eformation.
Les travaux r´ealis´es dans ce cadre ont conduit au d´eveloppement d’un outil de segmen-tation semi-supervis´e, int´egrant un retour possible de l’utilisateur pour corriger les r´esultats de segmentation automatique. Cette approche pragmatique s’est r´ev´el´ee indispensable dans un contexte o`u la convergence de l’algorithme de segmentation n’est jamais garantie vers le r´esultat d´esir´e et l’utilisateur m´edical se doit de contrˆoler les r´esultats fournis et exploit´es dans le cadre d’une proc´edure m´edicale. Un r´esultat tangible de ce travail est la mise en œuvre qui en a ´et´e r´ealis´ee par l’´equipe R&D de Philips Medical Systems sur la base des publications scientifiques r´ealis´ees.
Il reste que le probl`eme de la segmentation d’images, mˆeme restreint aux seules images m´edicales, est particuli`erement complexe et difficile `a traiter sans ´etudier et d´evelopper un algorithme au cas par cas, en fonction du type et de la qualit´e des images trait´ees. L’avantage de notre approche est de permettre la prise en compte de nombreux cas `a travers un param´etrage flexible de l’algorithme. Ce param´etrage n´ecessite n´eanmoins une bonne compr´ehension du m´ecanisme de segmentation et ne peut donc ˆetre r´ealis´e que par un utilisateur expert.
Les travaux sur l’analyse d’images m´edicales m’ont peu `a peu conduit `a envisager l’exploi-tation d’infrastructures distribu´ees de type grille pour mettre en œuvre des proc´edure d’analyse de grandes quantit´e de donn´ees. Ce travail a d´ebut´e par l’exploitation d’une grille interne `a l’Institut Neurologique de Montr´eal dans le cadre de l’´evaluation d’une m´ethode de mesure d’atrophie c´er´ebrale utilis´ee pour mesurer l’´evolution de scl´eroses en plaques. J’ai par la suite syst´ematis´e cette approche avec l’exploitation de grilles de production dans ce cadre applicatif. Les infrastructures de grille sont prometteuses dans le cadre de nombreux probl`emes d’ana-lyse d’images m´edicales pour deux raisons principales :
– Ces infrastructures sont tr`es adapt´ees au traitement de probl`emes exprimant un pa-rall´elisme de donn´ees gros grain. C’est le cas de toutes les proc´edures n´ecessitant le
trai-tement de bases de donn´ees d’images compl`etes.
– Les centres m´edicaux ne disposent que de peu de ressources de calcul et jamais d’acc`es `
a des centres de calcul haute performance. Les infrastructures de grille permette la mu-tualisation de ressources disponibles et l’exploitation de ressources distantes qui peuvent ˆetre mises `a disposition par diff´erents partenaires dans le cadre de recherches m´edicales. La mise en œuvre de services de gestion de donn´ees qui int`egrent les contraintes de confidentialit´e relatives `a la manipulation d’images m´edicales est techniquement parfaitement r´ealisable. Les difficult´es rencontr´ees dans ce domaine sont souvent plus li´ees aux probl`emes humains.
Une limitation de l’utilisation des grilles pour le traitement de grand volumes de donn´ees est n´eanmoins la fiabilit´e des traitements automatis´es qui peuvent ˆetre appliqu´es sur des images m´edicales. De nombreux traitement, dont les algorithmes de segmentation mentionn´es ci-dessus, n´ecessitent une supervision ou au moins un contrˆole humain. Dans le cadre de l’analyse de bases de donn´ees compos´ees de dizaines, centaines, voire milliers d’images, c’est autant de r´esultats qu’il faudra analyser et contrˆoler. Ceci peut devenir extrˆemement fastidieux dans certains cas (la validation par un expert peut ˆetre complexe et n´ecessiter du temps) et les r´esultats sont en g´en´eral assez qualitatifs (variabilit´e inter- et intra-experts).
Heureusement, les grilles elles-mˆemes peuvent constituer un outil pour am´eliorer la fiabilit´e des proc´edures de traitement dans la mesure o`u elles permettent :
– d’explorer l’espace des param`etres d’algorithmes afin d’optimiser leurs performances dans un cadre pr´ecis ;
– de traiter des grandes bases de donn´ees quitte `a rejeter une fraction non n´egligeable de r´esultats non fiables (dans les cas o`u il est possible d’identifier automatiquement ou manuellement `a faible coˆut les r´esultats erron´es) ;
– et de mettre en place des proc´edures statistiques d’´evaluation et d’algorithmes.
La proc´edure du Bronze Standard par exemple est capable de rejeter automatiquement des r´esultats erron´es par un test statistique sur l’ensemble des r´esultats produits et conduit `a l’es-timation de performances d’algorithmes de recalage utile pour de tr`es nombreuses applications de traitement d’images m´edicales.
En revanche, nombre d’algorithmes devront ˆetre repens´es pour permettre leur exploitation dans un cadre syst´ematique et les crit`eres statistiquement discriminant devront ˆetre identifi´es pour chacun d’eux afin qu’il puissent ˆetre int´egr´es de mani`ere fiable dans de telles proc´edures de traitement.