Université de Reims Champagne-Ardenne | Centre de Recherche en STIC +33.(0)3.26.91.33.89
Diana Lucia Farfan Cabrera ne fait plus partie du CReSTIC depuis le 19/06/2020.

Diana Lucia Farfan Cabrera

Photo de Diana Lucia Farfan Cabrera

Contact

Email
diana.lucia.farfan@gmail.com
Equipe(s)


Localisation


Reims, bât. C

CV

---- English ----

Software engineer with a specialization in medical image processing, with knowledge of programming development tools and machine learning approaches. Has international experience in France and Switzerland on projects related to medical image processing, in collaboration with hospitals and engineer school of Geneva Switzerland. Currently pursuing a Phd in the CReSTIC research laboratory and General Electric Healthcare.

My research work consisting of performing automatic segmentation of pathological axillary lymph nodes (lymph nodes that have cancer cells) on PET / CT medical images, using deep learning with UNet neural networks. To accomplish this, two working hypotheses are taken into account:
- Take advantage of both the anatomical information from the scanner to detect lymph nodes and the functional information from PET to detect pathological lymph nodes.
- Consider also the regional attributes extracted from component trees from PET images, in order to enrich and merge this information carried by PET to the UNet neural networks in the form of additional channels for learning.

------- French ------

Ingénieur en informatique avec une spécialisation en traitement d’images médicales, ayant une connaissance des outils de développement en programmation et des approches d’apprentissage. Possède une expérience internationale en France et en Suisse sur des projets pleinement liés au traitement d’images médicales, en collaboration avec des hôpitaux. Actuellement doctorante au sein du laboratoire CReSTIC de Reims et la société General Electric Healthcare.

Mes travaux de recherche consistent à réaliser la segmentation automatique des ganglions lymphatiques axillaires pathologiques (ganglions qui ont des cellules cancéreuses) sur des images médicales PET/CT, en utilisant l'apprentissage profond avec des réseaux de neurones UNet. Pour accomplir ceci, j'utilise deux hypothèses de travail: 
Premièrement, on profite à la fois des informations anatomiques du scanner CT pour détecter les ganglions et les informations fonctionnelles du PET pour détecter les ganglions pathologiques.  
On considére également les attributs régionaux extraits des components trees à partir des images PET, afin d'enrichir et fusionner ces informations portées par PET aux réseaux de neurones UNet sous forme de canneaux supplémentaires pour l'apprentissage. 

 


Activités

Cette liste bibliographique est récupérée automatiquement depuis HAL
Cette liste bibliographique est récupérée automatiquement depuis HAL