Presentation
Historique
Crée en janvier 2021 au sein d'ICube, l'Université de Strasbourg, l'équipe MLMS (Machine Learning, Modélisation et Simulation) s'intéresse aux données, modèles et simulations pour la science médicale et mouvement humain. Elle réunit des informaticiens, des mathématiciens, des bio-mécaniciens, des neuroscientifiques pour développer des modèles fonctionnels, physique, et géométrique autour d’une axe transversal « Assistance aux interventions médicales par ordinateur ». MLMS accueille l'équipe-projet INRIA MIMESIS en tant que sous-ensemble de l'équipe.
Objectifs de recherche
Nos activités de recherche principales sont:
- Développer des nouveaux modèles/systèmes bio-inspirés (humains, organes, patients),
- Modélisation et compréhension de certaines fonctions de cerveau,
- Optimiser nos modelés et simulations numériques de sorte qu'ils tournent en temps réel, et
- Améliorer ou rendre plus adapté ces modelés à chaque patient et au contexte en exploitant des données du monde réel.
Le contexte global et transversal autour de ces objectifs est de fournir le système et l'assistance aux médecins.
Thèmes de recherches
L’équipe est structurée en trois thèmes:
Modélisation dérivée par les données
- Membres: Cédric Bobenrieth, Stéphane Cotin, Birgitta Dresp-Langley, Michel Duprez, Axel Hutt, Hyewon Seo
- Ce thème s'intéresse à l’ensemble des aspect modélisations en neurosciences, géométrie, biomécaniques, interaction, comportement, forme et mouvement d'humains.
- Nous nous intéressons à plusieurs défis autour de la modélisation:
- Modèles computationnel d'anatomie, d'appareils, de personnes
- Modèles computationnel du fonctionnement des organes (cerveau, cœur,…)
- Modèles d'interactions
- Mots clés: modélisation mathématique et géométrique, modélisation biomécanique, modélisation d'interaction et de comportement.
Simulation en temps réel
- Membres: Stéphane Cotin, Hadrien Courtecuisse, Michel Duprez
- Pour mettre en œuvre nos modèles, nous les transposons en forme de simulation physique, temps-réel, en particulier.
- Ce thème a pour défis:
- Stratégies numériques adaptées aux simulations personnalisées
- Méthodes pour le calcul en temps réel
- Mots clés: deep physics, analyse d'erreur, retour haptique, réduction de modèle, calcul GPU
Optimisation & Learning
- Membres: Cédric Bobenrieth, Stéphane Cotin, Hadrien Courtecuisse, Michel Duprez, Axel Hutt, Hyewon Seo
- Nous visons à exploiter des données du monde réel pour rendre nos modèles et simulations plus spécifiques au patient et prédictifs.
- Ce thème a pour défis :
- Extraire des informations robustes et significatives des signaux,
- Utilisez ces informations pour déduire les paramètres du modèle,
- Résoudre les problèmes mal posés tels que la reconstruction de forme à partir de données partielles.
- Mots clés: contrôle optimal, optimisation de forme, assimilation de données, apprentissage profond.