Department of Biomedical Engineering

Engineering for Healthcare is a rapidly expanding discipline:

• in radiology, the transfer to digital systems has led to advances in diagnostic imaging, and now offers simulation technology for the training and practice of Surgeons
• new technology allows for minimally invasive robotic surgical procedures
• biosystems or nanoelectronics have given rise to new types of therapies

This fast-growing market needs skillful and creative engineers to imagine tomorrow’s products.

General Engineering degree with a major in Engineering with Life and Physical Sciences

The aim of this major is to train Engineers in three areas related to healthcare:

• Biomedical Engineering
• Biomechanics
• Medical Imaging

This major course allows for the validation of the "Imaging with Medical and Surgical Robotics" course within the Imaging, Robotics and Biomedical Engineering Master's degree, in a dual degree program.

The companies which are likely to employ an Engineer with a Life and Physical Sciences major are biomedical device manufacturers as well as the automotive industry and its equipment manufacturers. Growing job opportunities are being offered in companies specialized in the design, development and instalment of increasingly complex entire hospital information systems. Engineers also mainly join medical imaging manufacturers or smaller more agile structures skilled in medical image processing.

Ce module vise à enseigner les concepts avancés dans le domaine du fonctionnement et des usages des modalités d’imagerie médicale, ainsi que dans celui du traitement des images qui en résultent. Nous aborderons notamment l’usage avancé de l’Imagerie par Résonance Magnétique, y compris d’un point de vue clinique (IRM fonctionnelle, IRM quantitative, imagerie de phase et élastographie…), ainsi que l’acoustique biomédicale avancée via des travaux pratiques en thérapies ultrasonores guidées par l’image. A l'issue de cet enseignement, les étudiant(e)s auront également appris à analyser et à mettre en œuvre des méthodes avancées permettant la résolution de certains problèmes de traitement d’images médicales spécifiques à certaines modalités d’imagerie clinique (IRM de diffusion, IRM fonctionnelle, élastographie) et pour certaines applications en R&D (imagerie préclinique).

Diagnosis and Innovative Medical Treatment (Information Technology for Healthcare Engineering degree)

The Diagnosis and Innovative Medical Treatment major is focused on information technology applications in medicine and surgery, for simulation, diagnosis or therapy. It offers an insight into the world of medical imaging and image processing, as well as into the therapeutic systems that have emerged from the advances in Medical Robotics. It involves emerging technologies made possible by virtual patient modeling for the diagnosis, simulation or planning of medical procedures. This training course is closely linked to research, with a significant rate in PhD studies (Columbia, EPFL, University of Houston, etc.) and also leads to first employment in start-up companies, particularly in the Strasbourg area.

While the course is oriented towards research, it also offers very good opportunities in industries specialized in the field (GE Healthcare, Carmat, EOS Imaging, for example).

Innovative Therapies (Information Technology for Healthcare Engineering degree)

Upon completing this research-oriented major, students have the possibility to pursue PhD studies or to work in companies in the healthcare industry, namely in start-ups or multinational companies.

Future graduates will acquire solid skills in developing projects associated with Theranostics, which ranges from Nanosciences to the design of integrated healthcare systems. They will be able to design heterogeneous microsystems dedicated to healthcare or innovative biosystems by virtual prototyping, develop hybrid sensors dedicated to healthcare, or develop instrumental chains linked to microfluidics and allowing for the analysis of biological data.

Students can also complete a Master's degree in Micro-Nano-Electronics

Le cours Traitement d’images par Intelligence Artificielle offre une introduction approfondie aux approches modernes de vision par ordinateur fondées sur l’apprentissage profond. Après une revue des bases de l’apprentissage profond et des réseaux de neurones convolutionnels, il présente les architectures de référence et les méthodes d'entraînement utilisées dans des applications couramment implémentées dans les systèmes de vision artificielle, telles que la détection d’objets, la segmentation d’images, l’estimation de la pose humaine ou encore la reconnaissance d’activités.

Dans un second temps, le cours examinera les modèles de type Transformer, les mécanismes d’attention et leurs applications à l’analyse d’images, ainsi qu’aux tâches multimodales combinant vision et langage. Les grands modèles de vision et de langage — notamment les modèles multimodaux et fondation — seront présentés, ainsi que les techniques permettant de les adapter efficacement à des tâches spécialisées.

Le cours abordera également les approches auto-supervisées et faiblement supervisées, qui jouent un rôle clé dans l’apprentissage à partir de données limitées. D’autres familles de modèles, telles que les réseaux de convolution en graphes, seront étudiées, de même que des méthodes avancées pour l’interprétation, la visualisation et l’analyse de la robustesse et de la sécurité des modèles.

Enfin, les différents aspects de l’évaluation des modèles seront discutés, et l’ensemble des concepts sera illustré au travers d’exemples concrets et d’applications pratiques.

Cet enseignement porte sur la modélisation numérique de tissus biologiques et de segments anatomiques, ceci au moyen de la méthode des éléments finis. Il s’agit de représenter divers éléments constitutifs du vivant, tels les tissus, les organes, les articulations, les systèmes, dans un environnement donné comme un examen clinique à visée diagnostique, une intervention chirurgicale réparatrice ou encore une recherche fondamentale portant sur un état normal ou pathologique. Cela comprend en particulier les notions de maillage, de comportement biomécanique et numérique, et d’élaboration du modèle à proprement parler. Le modèle construit peut alors être amené à interagir avec un milieu inerte tel un système de protection, une prothèse ou une orthèse, ou encore un instrument chirurgical. Ainsi, dans le cadre de la prédiction de blessures, de la réadaptation fonctionnelle ou de la planification chirurgicale pour la formation et l'entraînement des chirurgiens, les modèles construits sont autant de jumeaux numériques de la réalité physique représentée. Ces aspects de la modélisation numérique ne vont pas sans leur pendants de simulation abordés sous les angles du temps de calcul, de la convergence du calcul, de la critique des résultats obtenus.

Cette unité d'enseignement a pour objectif d'approfondir les compétences des élèves ingénieurs dans le domaine de la robotique médicale avancée.

Les principes de la robotique  non conventionnelle y seront étudiés, notamment la modélisation et la commande des robots souples, ainsi que leurs applications en chirurgie minimalementnon invasive. Une attention particulière sera également portée à la perception haptique et à la commande des robots manipulateurs en interaction physique avec l’humain. Cette interaction constitue aujourd’hui un facteur clé pour rapprocher les robots des patients et des médecins, et favoriser le développement de solutions robotiques pour la réhabilitation et la chirurgie robotique. Par ailleurs, des notions de téléopération permettent aux chirurgiens d’effectuer des gestes complexes avec une précision et une stabilité inégalées.

À l’issue de cet enseignement, les étudiants auront également acquis des compétences avancées en vision par ordinateur appliquées à la robotique médicale. Ils auront conscience des problématiques de mesure en imagerie médicale et connaîtront les méthodes de vision permettant la commande des robots reconstruction 3D à partir d’images médicales.

Enfin, cet approfondissement permettra d’acquérir les notions d’intelligence artificielle et d’apprentissage automatique, visant à rendre les robots plus autonomes dans des environnements complexes, en particulier via l’apprentissage par démonstration et l’apprentissage par renforcement.