Vous alignerez ces deux images histopathologiques et retrouverez la transformation homothétique entre les deux. Vous devrez proposer une chaîne de prétraitements qui permette d'améliorer les résultats initiaux. Gardez à l'esprit que les deux images ont peut-être subi des transformations radiométriques qu'il faudra éventuellement normaliser.
L'une d'entre vous utilisera une version automatique avec points d'intérêts de type SIFT.
L'autre proposera une version semi-automatique avec désignation des points d'intérêts manuelle.
Vous comparerez vos algorithmes sur deux frames successives d'une séquence vidéo avec des résultats obtenus par flot optique.

Vous explorerez les deux structures DNN1-F et DNN2-F à partir de librairies libres comme python nolearn ou autres à votre choix (comme CaffeDCNN) sur un jeu de données que vous créerez à partir d'une image histopathologique fournie avec deux classes à reconnaître. Vous analyserez les sorties intermédiaires données par les couches d'apprentissage de caractéristiques et analyserez les résultats obtenue sur une autre image histopathtologique non apprise. 


Vous construirez le graphe de cellules (« graph cell ») sur  des imagettes histopathologiques fournies. Vous devrez fournir un algorithme basique qui détecte des indices de présence de cellules d'intérêt dans les images. Mais cette étape sera forcément peu fiable (manque de données d'apprentissage). Eventuellement nous vous fournirons un petit plugin imageJ pour le faire. L'enjeu principal est de construire le graphe et de construire des descripteurs à partir de ce graphe qui permettent de classifier les imagettes en deux classes. 

Vous êtes invités à passer dans mon bureau en prenant rendez-vous pour plus de précision (salle 812H).