Analyse de données biologiques

Enseignants

Jodogne Sébastien;

Langue
d'enseignement

Français

Préalables

Cette unité d'enseignement suppose acquis le langage de programmation Java (tel qu'enseigné dans les cours LSINC1402 et LEPL1402), l'algèbre linéaire (telle qu'enseignée dans les cours LSINC1112 et LINFO1112), ainsi qu'une connaissance en technologies Web (telle qu'enseignée dans les cours LSINC1002 et LINFO1002).

Thèmes abordés

Cette unité d'enseignement propose une introduction à l'analyse temporelle et fréquentielle de signaux neurophysiologiques, en
particulier les électroencéphalogrammes (EEG), ainsi qu'à l'analyse d'images médicales. L'accent sera mis sur le développement
d'algorithmes adaptés à ce type de données, ainsi que sur la mise en oeuvre de ces algorithmes au sein d'applications Web.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

Eu égard au référentiel AA du programme "Bachelier en sciences informatiques", ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants: AA1.I3, AA1.I6, AA1.G2, AA1.G3 AA 2.4 AA 4.4, AA4.6 AA5.3 S1.I6, S1.G3,  S2.4 S4.4 S5.5 À la fin de cette unité d'enseignement, l'étudiant est capable de : comprendre et utiliser les méthodes fondamentales de pré-traitement et de filtrage des signaux neurophysiologiques et des images; mettre en oeuvre les concepts de base liés à l'extraction d'information dans des séries temporelles d'électroencéphalogrammes, ainsi que dans des images médicales; implémenter des algorithmes de traitement de signaux 1D et 2D dans un langage compilé (Java); créer des applications Web qui réalisent des calculs scientifiques sur un serveur.

Contenu

Le cours aborde trois grands volets :

• Données biologiques :
  • Séries temporelles pour les données neurophysiologiques, particulièrement les électroencéphalogrammes (EEG).
  • Introduction à l'acquisition d'images médicales (radiographies et CT-scanners).
• Introduction à l'analyse de signaux 1D et 2D :
  • Analyse temporelle et fréquentielle, et extraction de features.
  • Transformation de Fourier rapide (FFT).
  • Analyse en composantes indépendantes.
  • Analyse en composantes principales.
  • Traitement d'images (transformation des niveaux de gris, convolution, filtres non-linéaires et morphologie).
  • Segmentation d'images.
• Développement d'applications scientifiques en mode client/serveur :
  • Formats d'interopérabilité utilisés dans les domaines de l'EEG et de l'imagerie médicale (European Data Format, DICOM...).
  • Affichage de données avec le canevas HTML5.
  • Utilisation du Java en tant que langage serveur pour créer des API REST.

Méthodes d'enseignement

• Cours magistraux.
• Travaux pratiques à réaliser individuellement sur la plateforme INGInious (programmation en Java).
• Un·e assistant·e sera disponible pour répondre aux questions sur les exercices durant les séances de travaux pratiques prévues dans l'horaire.

Modes d'évaluation
des acquis des étudiants

En première session, l'examen sera effectué en présentiel, par écrit et à livre fermé, avec des questions ouvertes. L'évaluation porte sur l'ensemble de la matière vue lors des cours magistraux et des travaux pratiques. La note finale est calculée par moyenne pondérée entre l'examen (90%) et l'évaluation continue provenant des séances de travaux pratiques (10%). En cas de réinscription l'année académique suivante, les exercices et devoirs devront à nouveau être refaits intégralement.
En cas de seconde session, l'examen sera oral. L'évaluation continue ne compte plus en seconde session : l'examen oral compte alors pour 100% des points.
L'évaluation continue porte sur les travaux pratiques, pondérés de manière identique. Ils donnent lieu à une note globale unique, communiquée après la dernière séance. Le non-respect des consignes méthodologiques communiquées par l'enseignant, notamment en matière d'utilisation de ressources en ligne, de plagiat ou de collaboration entre étudiant·es dans un exercice, entraînera une note globale de 0 pour l'évaluation continue.
En particulier, l'utilisation d'outils d'IA générative et toute collaboration est strictement interdite pour les exercices évalués. La diffusion ou l'échange entre étudiant·es de (fragments de) code ne sont pas autorisés par quelque moyen que ce soit (GitHub, Facebook, Discord...) et ce même après la date limite de remise des exercices.

Ressources
en ligne

Moodle UCLouvain -> https://moodle.uclouvain.be/course/view.php?id=5834

Support de cours

• Les transparents présentés lors des exposés théoriques, de même que les notes relatives aux séances de cours et quelques références bibliographiques, sont disponibles sur Moodle.
• The slides presented during the theoretical lectures, as well as the course notes and some bibliographical references, are available on Moodle.

Faculté ou entité
en charge

> SINC