Posted on21/02/2023byFabrice Monna|Comments Off on L’article “Machine learning and geometric morphometrics to predict obstructive sleep apnea from 3D craniofacial scans” publié dans Sleep Medicine
Production de l’atlas et projection sur la surface du modèle 3D
L’apnée obstructive du sommeil reste massivement sous-diagnostiquée, en raison d’un accès limité à la polysomnographie. Ici, la prédiction du niveau d’apnée des sujets est réalisée par intelligence artificielle sur la base de la géométrie 3D maxillo-faciale. Tous les participants ont subi une nuit de test de sommeil à domicile ou en laboratoire, et d’autre part une numérisation 3D de leur visage et de leur buste. Les scans 3D craniofaciaux sont traités par morphométrie géométrique, puis par 13 algorithmes d’intelligence artificielle. La combinaison morphométrie géométrique / intelligence artificielle s’avère être une solution rapide et efficace, qui fournit un outil de dépistage peu coûteux pour le syndrome d’apnée du sommeil.
Posted on04/09/2020byFabrice Monna|Comments Off on L’article ‘Machine learning for rapid mapping of archaeological structures made of dry stones – Example of burial monuments from the Khirgisuur culture, Mongolia –’ vient d’être publié dans Journal of Cultural Heritage
Les images produites à partir de l’orthomosaïque et du DEM alimentant l’algorithme d’intelligence artificielle
L’article “Machine learning for rapid mapping of archaeological structures made of dry stones – Example of burial monuments from the Khirgisuur culture, Mongolia –” par Monna, F.; Magail, J.; Rolland, T.; Navarro, N.; Wilczek, J.; Gantulga, J.O.; Esin, Y.; Granjon, L.; Allard, A.-C. Chateau-Smith, C. vient d’être publié dans Journal of Cultural Heritage. 43, 118-128.
La présente étude, menée dans le cadre du projet ROSAS, propose un workflow pour extraire des orthomosaïques l’énorme quantité de pierres sèches utilisées pour construire les complexes funéraires des steppes mongoles. Plusieurs algorithmes d’apprentissage automatique pour la classification binaire des pixels (c.-à-d. Pierres vs Non pierres) ont été évalués. Les données utilisées en entrée ont été extraites d’orthomosaïques haute résolution et de modèles numériques d’élévation (tous deux dérivés de l’imagerie aérienne par drone). L’analyse comparative a utilisé deux espaces colorimétriques (RVB et HSV), des caractéristiques de texture (cartes matricielles de contraste, d’homogénéité et d’entropie) et l’indice de position topographique, combinés à neuf algorithmes d’apprentissage supervisé (centroïde le plus proche, Bayes naïfs, k voisins les plus proches, régression logistique , analyses discriminantes linéaires et quadratiques, machine à vecteurs de support, forêt aléatoire et réseau neuronal artificiel). Lorsque les entités sont traitées ensemble, d’excellentes cartes de sortie, très proches ou surpassant les normes actuelles en archéologie, sont observées pour presque tous les modèles.
