Référente: Brigitte Vannier

Commanditaire: Laboratoire COMET

Résumé:
L’objectif du projet était de développer deux modèles numériques des cellules musculaires lisses vasculaires à partir d’articles scientifiques, sur le logiciel OpenCor. Une fois les modèles implémentés, ils seront utilisés dans les TP d’université afin de remplacer les animaux lors des tests de l’effet de certaines substances pharmacologiques sur des types cellulaires. Nous avons commencé par développer le modèle issu de l’article Parthimos, qui permettait de s’entraîner avant de développer le modèle issu de l’article Kapela, qui est bien plus complexe et détaillé (c’est celui-ci qui sera utilisé dans les TP). Nous avons terminé et validé les deux modèles. La validation des  modèles s’est faite d’une part en comparant les courbes obtenues sur OpenCor avec celles présentes dans l’article. D’autre part, OpenCor contient un outil qui permet de vérifier la cohérence du code, des équations, des unités… Une fois le travail terminé, nous avons rédigé des documentations notamment sur la façon de développer un modèle fonctionnel et sur les détails pour comprendre l’implémentation de nos modèles. Nous avons publié nos deux modèles sur «https://models.physiomeproject.org» afin de partager notre travail avec la communauté scientifique. Enfin, nous avons pu aller à Tours voir nos commanditaires et voir l’utilisation du modèle Kapela dans un contexte de TP.

Contexte
Le projet s’inscrit dans un effort de recherche visant à développer des méthodes innovantes d’intelligence artificielle pour détecter et classifier les différents stades de développement du parasite Plasmodiufm falciparum dans des échantillons de sang. L’équipe projet concentre ses travaux sur la mise au point de modèles d’apprentissage automatique qui ont pour but d’augmenter les données d’entraînement, d’améliorer la précision de la reconnaissance et de la classification du parasite, et de contribuer à la création d’un outil de diagnostic du paludisme à la fois fiable et efficace.

Objectifs
L’objectif principal du projet est de construire une boucle d’apprentissage semi-automatisée et itérative
combinant :
● Prétraitement des images,
● Détection des cellules via le modèle YOLOv11m,
● Classification des cellules détectées en six catégories à l’aide de YOLOv11,
● Génération d’images synthétiques de cellules par un modèle DCGAN pour enrichir la base de données,
● Réintroduction de ces images synthétiques dans le processus.

Résultats
● Un pipeline complet a été mis en place, allant du traitement initial des images jusqu’à la génération de nouvelles données.
● Les modèles YOLOv11 et YOLOv11m ont été entraînés avec succès pour détecter et classer les cellules, réduisant ainsi la dépendance à l’annotation manuelle.
● Le modèle DCGAN a permis de produire des images synthétiques de cellules réalistes, utilisées pour augmenter la base d’apprentissage.

Perspectives
● Validation du système dans un contexte réel avec des experts du domaine biomédical.
● Optimisation des modèles (meilleure architecture GAN, nouvelles versions de YOLO).
● Intégration du système dans des outils d’annotation semi-automatique destinés aux chercheurs.

Ce projet s’inscrit dans un contexte de modernisation des outils (extranets de LIMS) afin que l’entreprise LiMSEO reste compétitive et innovante dans le domaine du LIMS. Dans ce cadre, les objectifs du projet ont été de comparer et de synthétiser les différents extranets de LIMS existants sous la forme d’un rapport, avec un accent mis sur l’enregistrement des demandes d’analyse et la visualisation des résultats. Au regard des points forts des différents LIMS étudiés, le second objectif a été de réaliser une maquette d’un extranet innovant et remis au goût du jour, afin de servir de cahier des charges pour les développeurs de LiMSEO. Cette maquette devait reprendre les fonctionnalités déjà existantes de l’extranet des LIMS de LiMSEO, mais également inclure nos propres réflexions basées sur l’expérience en laboratoire de chacun des membres du groupe. Ainsi, le rapport demandé a été rédigé et fourni à LiMSEO, avec un total de huit LIMS analysés selon leur manière d’enregistrer les résultats, leur visualisation, ou encore l’esthétique globale proposée, permettant une meilleure compréhension des solutions existantes. Une maquette de ce potentiel extranet de LIMS a été réalisée sur le logiciel Canvas. Celle-ci présente des fonctionnalités telles que la connexion d’un utilisateur, l’enregistrement, le coût et le suivi de
ses demandes, mais aussi la visualisation des résultats selon différents tris, ainsi qu’une proposition de visualisation statistique. Ces deux livrables ont été envoyés à l’entreprise LiMSEO, et des retours sur les propositions de maquettes ont été faits tout au long du projet, permettant une validation continue.
Les perspectives de ce projet sont un développement informatique et graphique basé sur la maquette réalisée, ainsi qu’un déploiement pour tous les clients de LiMSEO, améliorant ainsi l’extranet déjà existant.

Titre du projet : Data Center
Nom du commanditaire : BESCOND Jocelyn (responsable du master GPhy)

Le projet Data Center vise à démontrer la faisabilité (POC) d’un système capable de collecter automatiquement, et en temps réel, les données physiologiques issues des montres Garmin Forerunner 265, en particulier les données de fréquence cardiaque et de les stocker automatiquement dans une base de données dédiée. Au cours du projet, nous avons été confrontées à plusieurs limitations techniques, notamment en lien avec l’accès restreint à l’API Garmin Health. Celle-ci étant principalement réservée aux entreprises ou aux développeurs agréés, son usage implique des conditions spécifiques, comme des frais de licence ou des volumes d’achat minimums. Par ailleurs, les montres utilisées ne disposaient pas du mode développeur initialement attendu, ce qui a empêché leur programmation directe et l’automatisation de la récupération des données via API. Face à ces contraintes, une solution alternative a été mise en place. En passant par la plateforme Garmin Connect, les données d’activité ont pu être exportées manuellement au format CSV. Bien que cette méthode ne permette pas une automatisation complète, elle a tout de même permis de récupérer les données nécessaires à la réalisation de la preuve de concept. Le traitement de ces fichiers a nécessité des étapes supplémentaires de nettoyage et de structuration, les données brutes n’étant pas immédiatement exploitables. Cette démarche a permis de confirmer la faisabilité d’une intégration partielle des données issues d’objets connectés, en contournant les limitations imposées par Garmin. Elle ouvre par ailleurs des perspectives pour l’avenir. Une automatisation complète du processus serait envisageable à condition d’utiliser des montres plus ouvertes à la programmation, telles que la Bangle.js 2, une montre open source programmable en JavaScript, équipée de capteurs intégrés et d’une connectivité Bluetooth.