<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Maladies Neurodégénératives | Eloi Navet</title><link>https://eloinavet.github.io/fr/tags/maladies-neurodegeneratives/</link><atom:link href="https://eloinavet.github.io/fr/tags/maladies-neurodegeneratives/index.xml" rel="self" type="application/rss+xml"/><description>Maladies Neurodégénératives</description><generator>Hugo Blox Builder (https://hugoblox.com)</generator><language>fr</language><lastBuildDate>Thu, 01 Jan 2026 00:00:00 +0000</lastBuildDate><image><url>https://eloinavet.github.io/media/icon_hu_8f6568e474c94b92.png</url><title>Maladies Neurodégénératives</title><link>https://eloinavet.github.io/fr/tags/maladies-neurodegeneratives/</link></image><item><title>MedViT-3D différentiel hiérarchique : transformeur hybride spécialisé pour le diagnostic multiclasse des maladies neurodégénératives</title><link>https://eloinavet.github.io/fr/publication/2026-hierarchique-differentiel-medv-9yksn-gcb0ic/</link><pubDate>Thu, 01 Jan 2026 00:00:00 +0000</pubDate><guid>https://eloinavet.github.io/fr/publication/2026-hierarchique-differentiel-medv-9yksn-gcb0ic/</guid><description>&lt;h2 id="résumé"&gt;Résumé&lt;/h2&gt;
&lt;p&gt;Le diagnostic différentiel des maladies neurodégénératives à l&amp;rsquo;aide de l&amp;rsquo;IRM 3D pondérée en T1 reste un défi, en particulier pour distinguer les sous-types de démence cliniquement similaires. Bien que l&amp;rsquo;apprentissage profond ait atteint des performances élevées pour le dépistage binaire (par exemple, contrôles vs. maladie d&amp;rsquo;Alzheimer), les architectures standard peinent souvent avec le déséquilibre des classes et les variations anatomiques subtiles, ce qui conduit à un compromis critique entre spécificité globale et sensibilité focale. Dans ce travail, nous proposons un cadre hybride à double flux utilisant un MedViT-3D différentiel hiérarchique. Premièrement, un flux à échelle fine adapte l&amp;rsquo;architecture MedViTV2 à la 3D et ajoute des mécanismes récents d&amp;rsquo;Attention Différentielle et d&amp;rsquo;Embeddings Positionnels Rotatifs (RoPE) pour capturer les anomalies focales que l&amp;rsquo;attention standard ne détecte pas. Deuxièmement, pour contrer la &amp;ldquo;spécificité évanescente&amp;rdquo; de tels modèles à haute sensibilité, nous fusionnons ce flux focal avec des a priori volumétriques globaux et…&lt;/p&gt;
&lt;h2 id="liens"&gt;Liens&lt;/h2&gt;
&lt;ul&gt;
&lt;li&gt;
&lt;/li&gt;
&lt;li&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h2 id="citation"&gt;Citation&lt;/h2&gt;
&lt;div class="hb-citation-display"&gt;Eloi Navet, Rémi Giraud, Boris Mansencal, &amp;amp; Pierrick Coupé (2026). &lt;em&gt;MedViT-3D différentiel hiérarchique : transformeur hybride spécialisé pour le diagnostic multiclasse des maladies neurodégénératives&lt;/em&gt;. The Brain Abnormality Workshop at MICCAI 2026. &lt;a href="https://openreview.net/forum?id=VxngQF1rlt" target="_blank" rel="noopener"&gt;https://openreview.net/forum?id=VxngQF1rlt&lt;/a&gt;&lt;/div&gt;
&lt;div class="js-cite-clipboard hb-citation-actions" data-filename="/citations/2026-hierarchical-differential-medv-9yKSN-GCB0IC.bib"&gt;
&lt;button class="button"&gt;Copier BibTeX&lt;/button&gt;
&lt;/div&gt;</description></item></channel></rss>