Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Filtrer les résultats
Colloque
L’apprentissage par renforcement (reinforcement learning, RL), un sous-domaine de l’intelligence artificielle, a fortement gagné en popularité dans les dernières années, notamment par sa performance sur-humaine dans les jeux. Cette présentation donnera une introduction à ce problème, dans lequel un agent cherche à optimiser une séquence de décisions par un processus d’essais-erreurs sur son environnement. À l’aide d’une application concrète, nous verrons que des formulations simples de RL peuvent être utilisées pour aborder des problèmes du monde réel. Cependant, la résolution de problématiques plus complexes nécessite d’avoir recours à la simulation. Nous présenterons ainsi des environnements de simulations destinés à résoudre …
Colloque
Malgré l'augmentation de la résolution par la microscopie à fluorescence de super-résolution, ces techniques demeurent difficiles à utiliser pour des utilisateurs non-initiés en raison des objectifs conflictuels qui doivent être optimisés afin d'acquérir des images de bonne qualité. Des techniques d'intelligence artificielle, plus particulièrement d'apprentissage par renforcement, pourraient s'avérer utiles pour assister ou contrôler la boucle d'acquisition. Par contre, les approches d'apprentissage par renforcement nécessitent beaucoup de données en entraînement. Cela rend difficile leur application à l'optimisation de techniques de microscopie de super-résolution due à la grande quantité d'échantillons biologiques qui seraient gaspillés lors de l'entraînement. Nous avons développé pySTED, …
Colloque
Les méthodes d’apprentissage profond sont prometteuses pour s’attaquer au défi de l’analyse d’images en neurosciences. Cependant, l’entraînement supervisé de modèles d’apprentissage profond nécessite de grandes quantités de données annotées. Ceci peut être problématique lorsque l’acquisition et l’annotation des données sont coûteuses. Par exemple, pour une tâche de segmentation en neurophotonique, un expert doit annoter manuellement des structures complexes dans des images de microscopie d’échantillons biologiques dispendieux. L’apprentissage actif (AL) vise à diminuer ce problème en réduisant la quantité de données à annoter en sélectionnant les échantillons les plus informatifs pour le modèle. Cependant, plusieurs approches d’AL supposent que le coût …
Colloque
La microscopie de fluorescence optique de super-résolution est un outil essentiel en biologie pour visualiser les structures cellulaires avec un minimum d'invasivité. La microscopie de déplétion par émission stimulée (STED) permet d'étudier les nanostructures d'échantillons biologiques, même vivants, en atteignant des résolutions inférieures à 60 nm, mais elle est souvent associée au photoblanchiment. Le microscopiste peut, dans certaines limites, minimiser le photoblanchiment en modulant soigneusement les paramètres d'imagerie (puissance du laser de déplétion et d'excitation, temps d'intégration, etc.). Cela nécessite toutefois une connaissance a priori de leur influence sur les objectifs d'imagerie (résolution spatiale, photoblanchiment, rapport signal à bruit). Des …
Colloque
Au Canada, un aîné sur quatre s’est vu prescrire 10 catégories de médicaments ou plus en 2016. Ce phénomème de polypharmacie peut avoir plusieurs impacts négatifs comme des risques d’effets indésirables. En effet, les patients sujets à la polypharmacie s’exposent à des risques d’interactions médicamenteuses peu ou pas documentées pouvant résulter en des conséquences sur leur santé. Ces effets ce traduisent à leur tour en impacts sur le système de santé et la société, par exemple via une hausse des hospitalisations. Cette présentation porte sur un projet de recherche visant à utiliser des approches d’intelligence artificielle (IA) afin de départager …
