Projets Innovants développés par des étudiants de l’ECC
Réalisé par Réel par nos étudiants de 3ème année (Abdellatif BELMADY, Fatine BOUSSATTINE, Hamza DRIBINE et Salma KHMASSI ) sous l’encadrement de nos experts chevronnés, nos étudiants ont développé une solution pour prévenir les infections nosocomiales dans les salles d’opération en collaboration avec RemediA, une entreprise spécialisée dans le domaine de la santé.
En effet, dans les unités de soins intensifs, environ 6% à 10% des patients souffrent d’infections nosocomiales, avec des risques variables selon l’hygiène hospitalière et les profils des patients. Ces infections augmentent considérablement le risque de maladies infectieuses et de décès, tout en contribuant à des séjours hospitaliers prolongés, à des tests de laboratoire supplémentaires et à des traitements anti-infectieux. D’où l’intérêt de la prévention et l’anticipation des infections nosocomiales grâce à la détection en temps réel des mouvements.
Ce projet novateur repose sur des modèles d’estimation de pose de pointe testées et évaluées par les étudiants. Grâce à leur dévouement et à leur travail acharné, ils ont réussi à concevoir une solution de détection en temps réel des mouvements, offrant ainsi une approche préventive pour réduire les risques d’infections nosocomiales.
Les étapes du projet comprennent :
- Identifier trois modèles d’estimation de pose.
- Obtenir une base de données complète de salles d’opérations en vue multi-vues RGB-D.
- Évaluer les performances des trois modèles sur cette base de données.
- Effectuer une étude comparative pour déterminer le modèle le plus efficace.
- Développer un algorithme de sortie capable de détecter tout geste contraire au protocole aseptique.
L’équipe d’étudiants de l’Ecole Centrale Casablanca, composée de MAAMAR Marouane, MOUNAJJIM Oussama, ARBAOUI Amine, EL MOUTAOUAKKIL Hajar et BANOUAR Oumayma, a développé une nouvelle méthode novatrice sans annotation pour la segmentation d’images médicales (MIS) de tomodensitométrie (CT) pour le COVID-19. La segmentation d’images médicales joue un rôle crucial dans diverses applications thérapeutiques, et la plupart des modèles existants nécessitent des jeux de données annotés pour un apprentissage supervisé. Cependant, ce projet introduit une approche novatrice qui élimine le besoin d’annotations manuelles.
Le pipeline utilise la combinaison des modèles TransGAN et TransUNet pour obtenir une segmentation précise des images CT du COVID-19. TransGAN génère des images synthétiques saines à partir des scans CT originaux des patients atteints de COVID-19. En soustrayant ces images synthétiques des originales, des pseudo-masques des zones infectées sont obtenus. Le modèle TransUNet, sensible aux régions, se concentre ensuite sur ces zones infectées pour effectuer une segmentation précise.
Ce pipeline sans annotation offre des avantages significatifs en termes d’efficacité et de mise à l’échelle, car il élimine la tâche laborieuse de l’annotation manuelle. De plus, les modèles TransGAN et TransUNet utilisés dans ce projet démontrent leur capacité à traiter des images volumineuses tout en capturant des détails fins, ce qui améliore les performances de segmentation.
Le projet a été réalisé par une équipe d’étudiants de l’École Centrale Casablanca (ECC): Hiba Bentaleb, Wiam Adnan, Mohamed Ait Hajjoub, Aymane Hanine, étudiants en 3A spécialisés en science des données, sous l’encadrement de Jérémie Brabet-Adonajlo (CEO de Pzartech) et Redha Moulla (consultant en science des données et IA).
L’objectif du projet était de développer un modèle d’apprentissage automatique capable de faire correspondre des termes courants à des descriptions d’articles techniques, afin de faciliter l’identification des pièces de rechange dans le domaine de la maintenance. Leur travail a permis de réduire considérablement le temps nécessaire aux techniciens pour identifier une pièce à partir de son nom courant, améliorant ainsi l’efficacité des opérations de maintenance.
En utilisant une approche basée sur des modèles de transformation de phrases et l’utilisation de la bibliothèque Sentence-Transformers, l’équipe a pu atteindre une précision de 83 % dans la correspondance des termes courants avec les descriptions d’articles. Ils ont également mis en place une API rapide et pratique, utilisant la bibliothèque FAISS pour la recherche de similarité, ce qui permet aux techniciens d’obtenir rapidement les descriptions correspondantes à leurs requêtes.
