BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//SFPM - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.sfpm.fr
X-WR-CALDESC:Évènements pour SFPM
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20270328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20271031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;VALUE=DATE:20260317
DTEND;VALUE=DATE:20260321
DTSTAMP:20260407T140517
CREATED:20240404T171853Z
LAST-MODIFIED:20250717T081432Z
UID:5142-1773705600-1774051199@www.sfpm.fr
SUMMARY:Bases de l'Intelligence artificielle en physique médicale
DESCRIPTION:Attendus  \nA l’issue de la formation\, le stagiaire sera capable : \n\nde définir les termes usuels du « Machine Learning » (ML) et du « Deep Learning » (DL)\,\nd’identifier les étapes clés\, les pièges de la modélisation ML et DL et de savoir interpréter les résultats via deux travaux dirigés\,\nd’évaluer les avantages et les inconvénients des solutions commerciales en physique médicale\,\nd’identifier les recommandations nationales et internationales actuelles relatives aux bonnes pratiques de mise en place des logiciels utilisant l’IA en clinique.\n\nObjectifs Pédagogiques  \n\nDéfinir simplement le vocabulaire et les principes du ML et DL\nIdentifier les étapes clés\, les pièges et les résultats de la modélisation ML et DL via deux travaux dirigés\nIdentifier des applications logicielles existantes utilisant l’IA. Exemples :\n\n\nen radiothérapie au cours de différentes étapes de prise en charge des dossiers patients (contourage\, planification dosimétrique\, contrôle de qualité\, …)\nen imagerie médicale avec un état de l’art des algorithmes de reconstruction d’images basés sur l’apprentissage profond (deep-learning) au scanner (impact sur la qualité des images et intérêt clinique) et une revue des applications des logiciels d’IA d’aide au diagnostic en radiologie avec un exemple d’évaluation dans le cadre de la détection des fractures osseuses en radiologie conventionnelle\n\n\nAnalyser de façon critique les documentations et articles relatifs aux logiciels utilisant l’IA en physique médicale\nIdentifier les recommandations nationales et internationales actuelles\, relatives aux bonnes pratiques de mise en place des logiciels utilisant l’IA en clinique\n\nAvant la formation \n\nEnvoi en amont de la formation de vidéos expliquant les bases du langage Python\n\nPendant la formation \n\nFeuille d’émargement\nÉvaluations formatives\n\nAprès la formation \n\nAttestation de fin de formation\nQuestionnaire de satisfaction\n\nOrganisation/Comité scientifique dans l’ordre alphabétique \n\nDamien Autret (Institut de Cancérologie de l’Ouest\, Angers)\nAnaïs Barateau (Centre Eugène marquis\, Rennes)\nMaxime Bremaud (Institut de Cancérologie de l’Ouest\, Angers)\nDjamel Dabli (Centre Hospitalier Universitaire\, Nîmes)\nStéphane Dufreneix (Institut de Cancérologie de l’Ouest\, Angers)\nAbdessamad Kobi (LARIS\, Université d’Angers)\nChristophe Legrand (Institut de Cancérologie de l’Ouest\, Angers)\nCaroline Noblet (Clinique Mutualiste de l’Estuaire\, Saint-Nazaire)\nPejman Rasti (LARIS\, Université d’Angers)\nDavid Rousseau (LARIS\, Université d’Angers)\n\n  \nInscription \n  \n  \n 
URL:https://www.sfpm.fr/evenement/bases-de-lintelligence-artificielle-en-physique-medicale/
LOCATION:Angers
CATEGORIES:Enseignement
ATTACH;FMTTYPE=image/png:https://www.sfpm.fr/wp-content/uploads/2024/04/sfpm-default.png
END:VEVENT
END:VCALENDAR