Céline Meillier
Recherche
Mes recherches portent principalement sur la modélisation et l’analyse de signaux spatialement structurés. Les données sur lesquelles je travaille sont des données hyperspectrales (images 2D+ spectre) en astronomie, des données IRM fonctionnelles (images 3D + temps), ou encore des données de connectivité fonctionnelle cérébrale variant temporellement. D’un point de vue méthodologique, je m’intéresse aux thématiques suivantes :
- les problématiques de décomposition parcimonieuse intégrant des connaissances expertes dans les contraintes de régularisation à la place de la traditionnelle contrainte de parcimonie l1 dans les problèmes d’optimisation [Bhanot et al 2021], ou dans les a priori dans les modèles bayésiens.
- les procédures de seuillage par tests multiples pour la détection d’événements à faible rapport signal sur bruit. Je m’intéresse en particulier à l’estimation de la distribution empirique des tests sous l’hypothèse H0 (absence de signal d’intérêt) directement à partir des données.
Travaux récents :
- Projet ANR JCJC DynaSTI (2023-2026): Modélisation de la Dynamique Spatio-Temporelle de la connectivité fonctionnelle
en IRMf de repos
- Projet DYNAMIC financé par le GdR ISIS (2019-2021) : Représentation spatio-temporelle de la DYNAMIque de la Connectivité fonctionnelle en IRMf cérébrale (DYNAMIC)
Intérêts de recherche :
- traitement du signal et des images,
- traitement statistique du signal,
- tests multiples,
- détection et contrôle des erreurs,
- problèmes inverses,
- inférence bayésienne.
Applications :
- IRM fonctionnelle chez le petit animal (Alzheimer, dépression, optogénétique)
- IRM fonctionnelle chez l'Homme (schizophrénie)
Précédemment :
- Post-doctorat au LTCI, ANR MAGELLAN "Implémentation distribuée d'algorithmes d'optimisation pour la déconvolution d'images multispectrales en interférométrie radio" (2015-2016).
- Doctorat au Gipsa-lab, "Détection de sources quasi-ponctuelles dans des champs de données massifs, application à la détection de galaxies très lointaines dans les données hyperspetrales MUSE", cf. manuscrit, (2012-2015).
Publications récentes :
Liste disponible ici
Enseignements
Cours de Traitement et recalage d'images - FIP TI Santé 2A
Slides de cours
- Introduction
- Outils et traitements de base partie 1 et partie 2
- Restauration d'images
- Segmentation
- Morphologie
- Détection de caractéristiques
- Recalage d'images.
Sujets de TP
- TP1 : Outils et traitements de base sous Matlab
- TP2 : Restauration d'image
- TP3 : Morphologie mathématique
- TP4 : Segmentation
- TP5 : Recalage d'images ( version Matlab >= 2017)
Examens des années précédents
Cours de Traitement de données - FIP TI Santé 1A
- Représentation des données IMdB : notebook python en format html
- Importance de la représentation graphique des données : notebook python en format html
- Analyse en composantes principales : notebook python + interprétation
- Régression linéaire : notebook python en format html
Tous les notebooks en formats notebook jupyter (dans un terminal, se placer dans le répertoire contenant les notebooks et entrer la commande : jupyter notebook) : File:notebooks.zip.
Attention, les notebooks ont été utilisés durant le cours, quelques modifications ont peut-être été réalisées par rapport aux fichiers html. Il faut également changer le chemin des fichiers de données !
Examen des années précédentes : 2017-2018
Statistiques - Filière généraliste, TI Santé 2A
- TD Tests statistiques
Traitement du signal aléatoire - Filière généraliste, TI Santé - 2A
- TD
- TP
Cours de Traitement d'images avancé - TI Santé 3A
Slides de cours
Sujets de TP
Téléchargement des données extraites du tutoriel SPM [subject epoch (block) auditory fMRI activation data'], le masque et le gabarit de la réponse hémodynamique :
Sujet du TP : PDF