Nisrine Jrad

Cette recherche explore en profondeur l'apprentissage des représentations spatio-temporelles dans le cadre des réseaux de neurones graphiques multivues, avec un accent particulier sur la modélisation dynamique des graphes appliquée aux séries temporelles, telles que la prévision de la qualité de l’air. Dans ce contexte, la construction dynamique de graphes permet de refléter les changements structurels du système observé, notamment les variations dans l’intensité des connexions spatiales ou la réactivité à des événements exogènes.

L’épilepsie est la deuxième cause d’hospitalisation en neurologie après les accidents vasculaires cérébraux. Cette pathologie est caractérisée par la survenue répétée de crises causées par le dysfonctionnement d’un nombre de neurones. Le diagnostic de localisation de la zone épileptogène se base sur un ensemble de modalités très diverses, telles que l’étude de l’IRM ou bien des signaux électrophysiologiques (EEG). Les oscillations à haute fréquence (HFO, 80-500 Hz) intercritiques enregistrées dans les EEG, ont émergées en tant que biomarqueurs fiables de l’épiletogénicité.

Ce travail de recherche porte sur la segmentation des images par des réseaux de neurones de graphes à vues multiples. Les méthodes classiques de segmentation d’images montrent des limites lorsqu’il s’agit de modéliser la structure spatiale complexe des scènes. En représentant les images sous forme de graphes, les réseaux de neurones à graphes (GNNs) exploitent plus efficacement les relations entre régions à partir d’une segmentation préalable. L’approche multi-vues étend cette idée en construisant plusieurs graphes, chacun décrivant un type de relation spécifique.