Tutoriels pratiques : segmentation 3D de la rate et inférence urbaine avec des réseaux de graphes
- 01Segmentation 3D de la rate avec MONAI : pipeline end-to-end incluant prétraitements médicaux et entraînement d’un 3D UNet sur des volumes CT.
- 02Inférence urbaine via réseaux de graphes : collecte de données OSM, construction de graphes spatiaux et entraînement d’un GraphSAGE pour prédire les fonctions urbaines.
- 03Les deux tutoriels fournissent des implémentations reproductibles avec des outils open source (MONAI, PyTorch Geometric).
Deux tutoriels techniques publiés par MarkTechPost illustrent des implémentations concrètes en IA, l’une dédiée à la segmentation médicale 3D et l’autre à l’inférence de fonctions urbaines via des réseaux de graphes.
Le premier tutoriel détaille une pipeline de segmentation 3D de la rate sur des volumes CT médicaux. L’approche utilise MONAI pour traiter des images médicales volumétriques, avec des étapes de prétraitement comme l’alignement d’orientation, la normalisation du voxel-spacing, le fenêtrage d’intensité, le rognage du foreground et l’échantillonnage par patchs. Un modèle 3D UNet est ensuite entraîné sur le jeu de données Medical Segmentation Decathlon Task09, permettant une segmentation end-to-end de la rate.
Le second tutoriel propose une méthode d’inférence de fonctions urbaines à partir de réseaux de graphes spatiaux. L’implémentation s’appuie sur city2graph, OSMnx et PyTorch Geometric pour collecter des données de points d’intérêt (POI) et de réseaux routiers depuis OpenStreetMap. Plusieurs familles de graphes de proximité sont construites, puis converties en format compatible avec PyTorch Geometric. Un modèle GraphSAGE est finalement entraîné pour prédire les catégories de POI à partir de la structure spatiale des graphes.